惩罚函数在基因关联分析中的应用研究

发布时间：2021-07-07 10:06

　　随着互联网和计算机的迅猛发展,各领域都产生了海量的数据,如生物学、计算机科学、金融学等诸多领域都存在种类繁多的复杂数据,因此,需要从大量的数据中提取有价值的信息进行分析。近年来,变量选择成为了统计学的研究热点,尤其是惩罚项正则化方法,其特征是通过惩罚函数进行变量选择,能够处理高维且存在共线性的数据。本文主要研究惩罚函数的变量选择的改进方法和在基因关联分析中的应用,在原有的惩罚函数模型的基础上考虑变量之间的网络结构关系,并将惩罚项正则化用于多因变量回归模型。本文的内容可分为两个部分,具体内容如下:1、在原有的惩罚函数模型上加入网络惩罚项本文中在单个变量选择的模型上,考虑了变量之间的网络结构关系。通过对四种不同类型的数据进行模拟研究,并以前列腺癌基因表达谱数据进行实例验证,分别比较基于网络结构的惩罚函数的变量选择模型和基于惩罚函数的变量选择模型的优劣性,结果表明:基于网络结构的惩罚函数模型较原有的惩罚函数模型更具有优越性和稳定性,尤其是基于MCP惩罚函数的网络结构模型有较高的预测能力,对于发现患有前列腺癌的病人有很大的帮助。2、将惩罚函数的变量选择方法应用于多因变量回归模型（1）本文详细介... 

【文章来源】：福建农林大学福建省

【文章页数】：62 页

【学位级别】：硕士

【部分图文】：

图３－１稀疏偏最小乘法的交叉验证均方差预测误差图??

始预测变量的线性组合来实现变量选择和预测。??借助Ｒ语言的ＳＰＬＳ包实现稀疏偏最小二乘方法的基因关联分析，采用除一??法的交叉验证均方差预测误差得到图４－１：??ＣＶ?ＭＳＰＥ?Ｐｌｏｔ??。９邏?，吖，??０８?１５９?－??。７１?Ｍ?－－??ｓ?〇．５?－?ｍ??１３４＇??０４?－??１２６?－??〇３｜：ｉ?ｍｍ?－??０?２?４．?？｜??０１１：：?Ｉ?１。９?七：．＿??ｒ－ｒ－?ｉ?■?■?■?■■?ｉ??１２３４５６７８９?１０??Ｋ??图４－１稀疏偏最小乘法的交叉验证均方差预测误差图??其中横坐标表示成分个数，纵坐标表示阈值参数＇的范围为［０，１］。??由图４－１得到：当尤＝１，?４＝０．９时，可以得到最小均方差预测误差。将参??数代入，选出了?１１个显著变量，具体见表４－３：??３８??

【参考文献】：
期刊论文
[1]基于Logistic回归惩罚函数的疾病诊断[J]. 庄虹莉,李立婷,林雨婷,温永仙.  中国卫生统计. 2017(01)
[2]多个相关数量性状主基因的联合分析方法[J]. 肖静,胡治球,汤在祥,隋炯明,李欣,徐辰武.  中国农业科学. 2005(09)



本文编号：3269436