插补

DNA微阵列缺失值估计。动机:基因表达微阵列实验可以产生包含多个缺失表达值的数据集。不幸的是,许多基因表达分析算法需要一个完整的基因阵列值矩阵作为输入。例如,层次聚类和K-均值聚类等方法对缺失的数据不具有鲁棒性,即使有少量缺失值,也可能失去有效性。因此,需要使用填补缺失数据的方法,以尽量减少不完整数据集对分析的影响,并增加这些算法可适用的数据集范围。在本报告中,我们将研究估计缺失数据的自动化方法。结果:我们对基因微阵列数据中缺失值估计的几种方法进行了比较研究。我们实现并评估了三种方法:基于奇异值分解(SVD)的方法(SVDimpute)、加权K-最近邻(kncompute)和行平均。我们使用各种参数设置和不同的实际数据集评估了这些方法,并评估了插补方法对缺失数据量在1-20%缺失值范围内的稳健性。结果表明,kncompute比SVDimpute提供了一种更健壮、更敏感的缺失值估计方法,并且SVDimpute和knincute都优于常用的行平均法(以及用零填充缺失值)。我们报告比较实验的结果,并提供在各种条件下精确估计缺失微阵列数据的建议和工具。可用性:该软件可从http://smi-web.stanford.edu/projects/helix/pubs/impute获得/


zbMATH参考文献(97篇文章引用)

显示第1到第20个结果,共97个。
按年份排序(引用)
  1. Mazumder,Rahul;Saldana,Diego;Weng,Haolei:非凸正则化的矩阵完备化:谱算子和可伸缩算法(2020)
  2. Mozharovskyi,Pavlo;Josse,Julie;Husson,François:按数据深度的非参数插补(2020年)
  3. Cascone,Marcos H.;Hotta,Luiz K.:存在缺失值时GARCH模型的准最大似然估计(2019年)
  4. 陈晓林;刘毅;王启华:基于稀疏度限制伪分数估计的超高维稀疏加性风险模型联合特征筛选(2019)
  5. Ciaramella,Angelo;Staiano,Antonino:关于聚类和可视化技术在基因微阵列数据中的作用(2019)
  6. 毛晓军;陈松曦;王雷蒙K.W.:基于协变量信息的矩阵完备化(2019)
  7. Nengsih,Titin Agustin;Bertrand,Frédéric;Maumy Bertrand,Myriam;Meyer,Nicolas:在不完整数据集上确定PLS回归中的成分数量(2019年)
  8. Ben Brahim,Afef;Limam,Mohamed:高维数据的集合特征选择:新方法和比较研究(2018)
  9. Bertsimas,Dimitris;Pawlowski,Colin;Zhuo,Ying Daisy:从预测方法到缺失数据插补:一种优化方法(2018年)
  10. 艾米莉·卡斯尔顿;戴夫·奥斯图斯;范布伦,肯德拉:用比较和评估技术对多源数据进行插补(2018年)
  11. Chekouo,Thierry;Murua,Alejandro:用格子混合模型进行聚类的高维变量选择(2018)
  12. 陈晓林;陈晓静;王宏:基于距离相关的超高维右删失数据的鲁棒特征筛选(2018)
  13. Datta,Shounak;Bhattacharjee,Supritam;Das,Swagatam:带有缺失特征的聚类:基于惩罚的差异性度量方法(2018)
  14. Imbert,Alyssa;Vialaneix,Nathalie:《统计分析中缺失数据的探索、处理、插补和评估:现有方法综述》(2018年)
  15. Lee,Jaylen;Ciccarello,Shannon;Acharjee,Mithun;Das,Kumer:基因表达数据的降维(2018)
  16. Loh,Po Ling;Tan,Xin Lu:高维鲁棒精确矩阵估计:污染下的细胞腐败(2018)
  17. O'Brien,Jonathon J.;Gunavardena,Harsha P.;Paulo,Joao A.;Chen,Xian;Ibrahim,Joseph G.;Gygi,Steven P.;Qakish,Bahjat F.:无标记质谱蛋白质组学实验中不可忽略缺失数据的影响(2018年)
  18. Singha,Sumanta;Shenoy,Prakash P.:基于互补性的自适应启发式特征选择(2018)
  19. Faisal,Shahla;Tutz,Gerhard:根据定制的最近邻对基因表达数据进行缺失值插补(2017年)
  20. Freund,Robert M.;Grigas,Paul;Mazumder,Rahul:具有“面”方向的扩展Frank-Wolfe方法及其在低秩矩阵完成中的应用(2017)