曼努埃拉·扎克尼克；西尔维亚·理查森；尤安·斯特罗纳（Euan A.Stronach）。 比较单变量和多变量分类方法得出的基因表达谱的特征。 （英语） 兹比尔1276.92033 统计应用程序。遗传学。分子生物学。 7，第1号，第7条，第32页（2008年）. 摘要：基因表达阵列的一个应用是推导分子图谱，即基因集，它们可以很好地区分两类样本，例如肿瘤类型。用户面临着多种复杂度不同的分类方法，可以应用于此任务。为了帮助决定在特定情况下使用哪种方法，我们比较了一系列分类方法的重要特征，包括简单的单变量过滤、惩罚似然方法和随机森林。分类准确性是一个重要特征，但分子谱的生物学解释性也很重要。这意味着简约性和稳定性，也就是说，当训练数据发生微小变化时，配置文件不应变化太大。我们进行了一项随机重采样研究，以比较不同方法和不同剖面尺寸之间的这些特征。我们通过采用Jaccard指数来评估重采样分子剖面的相似性来衡量稳定性。我们对五个公认的癌症微阵列数据集进行了案例研究，其中两个数据集的优势在于能够在独立的数据集中验证结果。研究表明，与不包括变量选择的方法相比，生成简约轮廓的方法通常具有更好的预测精度。对于非常小的轮廓尺寸，稀疏惩罚似然方法往往比单变量滤波产生更稳定的轮廓，同时保持相似的预测性能。 引用于6文件 MSC公司： 92C40型 生物化学、分子生物学 62页第10页 统计学在生物学和医学中的应用；元分析 62H30型 分类和区分；聚类分析（统计方面） 关键词：微阵列；分子特征；分类；多元分析；惩罚可能性 PDF格式BibTeX公司 XML格式引用 \textit{M.Zucknick}等人，《统计应用》。遗传学。分子生物学。7，第1号，第7条，第32页（2008年；Zbl 1276.92033） 全文： 内政部 链接