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：该软件在http://smi-web.stanford.edu/projects/helix/pubs/impute/

此软件的关键字

这里的任何内容都将在支持canvas元素的浏览器上被替换

zbMATH中的参考文献（参考文献104篇文章)

显示104个结果中的1到20个。
按年份排序(引用)
  1. 乌丁，阿金；陶欣媛；周家庆；于丹东：估值缺失对盈利预测很重要吗？机器学习视角（2022）
  2. 伦志新；Khattree，Ravindra：偏态数据的插补：多变量Lomax案例（2021年）
  3. 郑和公园；王新雷；Lim，Johan:在一般缺失相关下估计高维协方差和精度矩阵（2021）
  4. 赞博姆，阿德里亚诺扎宁；Matthews，Gregory J.：缺失数据下的Sure independence筛选（2021年）
  5. 马钱；李，王侠；傅道扬；顾、余；Yu，Ge:MIDIA：探索缺失数据插补的去噪自动编码器（2020）
  6. 玛祖德，拉胡尔；萨尔达纳，迭戈；翁浩磊：非凸正则化的矩阵完备化：谱算子和可伸缩算法（2020）
  7. 莫扎罗夫斯基，帕夫洛；约瑟夫，朱莉；Husson，Francisçois:按数据深度的非参数插补（2020年）
  8. 波兰蒂，玛丽娜；Frontoni，Emanuele:多学科模式识别应用：综述（2020）
  9. 卡斯科尼，马科斯H。；Hotta，Luiz K.：存在缺失值时GARCH模型的准最大似然估计（2019年）
  10. 陈晓琳；刘易；王启华：超高维稀疏加性风险模型的稀疏限制伪分数估计联合特征筛选（2019）
  11. 毛晓军；陈松；王雷蒙K.W.：矩阵完成与协变量信息（2019年）
  12. 内西，提丁·阿古斯丁；伯特兰，弗里德里克；莫米·贝特朗，米里亚姆；Meyer，Nicolas:在不完全数据集上确定PLS回归中的成分数量（2019年）
  13. 杨爱军；蒋学军；舒连杰；刘鹏飞：高维数据分类的稀疏贝叶斯核多项式概率回归模型（2019）
  14. 本·卜拉欣，Afef；Limam，Mohamed:高维数据的集合特征选择：新方法和比较研究（2018）
  15. 贝尔西马斯，迪米特里斯；波洛夫斯基，科林；卓英黛西：从预测方法到缺失数据插补：一种优化方法（2018）
  16. 凯斯尔顿，艾米丽；奥斯图斯，戴夫；van Buren，Kendra:用比较和评估技术对多源数据进行插补（2018年）
  17. 契诃，蒂埃里；多维混合模型（Alejanua，2018年，高维聚类模型）
  18. 陈晓琳；陈晓静；Wang，Hong:基于距离相关的超高维右删失数据的鲁棒特征筛选（2018）
  19. 达塔，舒纳克；巴塔查吉，苏普里塔姆；Das，Swagatam：《缺失特征的聚类：基于惩罚的差异性度量方法》（2018）
  20. 伊伯特，艾莉莎；Vialaneix，Nathalie:探索、处理、插补和评估统计分析中的缺失数据：现有方法综述（2018）