检索结果-南通市图书馆

面向分类型数据的k-modes型聚类算法r包的设计与实现

在线全文

学校读者我要写书评

暂无评论

面向分类型数据的k-modes型聚类算法R包的设计与实现

作者：李海妮山西大学

学位级别：硕士

聚类作为一种无监督的学习方式,是数据挖掘、模式识别领域的重要研究方向之一,对于探索和发现数据中潜在的自然分组结构至关重要。目前,已有的聚类算法在算法效率和聚类质量方面都有着良好的表现,然而传统的聚类算法的输入大都是单值属... 详细信息

聚类作为一种无监督的学习方式,是数据挖掘、模式识别领域的重要研究方向之一,对于探索和发现数据中潜在的自然分组结构至关重要。目前,已有的聚类算法在算法效率和聚类质量方面都有着良好的表现,然而传统的聚类算法的输入大都是单值属性的矩阵,但是在实际应用中,每个属性经常有多个取值,例如,在电影评价时,同一用户对不同的电影有不同的评分;同一地区不同时刻下,天气的各项指标存在多个取值且有很大差异,称此类数据为集值数据。由于分类型数据缺乏固有的几何特性不能直接进行数值运算,相应的聚类模型及其算法的设计与数值数据有较大不同,且相对来说也比较复杂。新的数据表示模式的出现对原有的聚类算法和数据挖掘理论提出了新的挑战,因而发展适用于新的数据表示模式的聚类算法就非常有意义。对于特定领域的问题,使用合适的数据挖掘工具很有必要。作为一个开源的数据分析环境,r语言在数据操作、数据可视化等技术领域为广大用户提供了便捷,其庞大的软件包生态系统吸引了越来越多科学家的关注。r语言的开源性、灵活性和开发性促使很多的聚类算法开始使用r语言进行设计。目前,很多针对数值数据的聚类算法r包,操作便捷、代码开源,并且对聚类算法的发展有着推动作用。k-modes算法及其延伸算法因其高效性在许多应用中得到了广泛的使用。然而,就目前来说,还没有一个完全的开源软件包,用于实现这些算法。本文针对分类型数据,设计了k-modes型聚类算法包,主要内容包括:(1)设计了k-modes型聚类算法包,它是第一个针对分类型数据的完全的开源算法包,使用r语言编写,操作便捷,代码开源。(2)通过实验和可视化技术直观验证了k-modes型聚类算法包的可行性。通过对k-modes型聚类算法包的研究,拓宽了聚类算法的研究范围,为分类型数据的聚类算法的研究提供了新的方向。

关键词：聚类算法分类型数据 r包

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

伯努利分布的统计推断及r包

伯努利分布的统计推断及R包

作者：赵慧青岛大学

学位级别：硕士

伯努利分布和二项分布是数理统计中应用最广泛的离散型分布之一,其应用领域涉及工业实验、质量控制、生物医学研究等,本文主要系统性的总结归纳了伯努利分布以及二项分布统计推断中参数的区间估计和假设检验问题,包括单个样本情况,两个... 详细信息

伯努利分布和二项分布是数理统计中应用最广泛的离散型分布之一,其应用领域涉及工业实验、质量控制、生物医学研究等,本文主要系统性的总结归纳了伯努利分布以及二项分布统计推断中参数的区间估计和假设检验问题,包括单个样本情况,两个样本的情况以及多个样本的情况。我们对比了不同置信区间的覆盖率和区间长度,比较了不同检验方法的检验功效和第I类错误概率,分析了不同方法的优劣。单个样本参数p和两个样本参数之差p-p的置信区间方法很多,各有优劣,不论单个样本还是两个样本情况下,Fiducial方法构造的置信区间和检验方法相比于其他方法有明显优势,p-p的MOVEr区间的覆盖率和区间长度表现良好。对于多个样本的两类检验问题,mid-p值和PB算法表现良好,蒙特卡洛方法要优于卡方检验。本文的写作目的在于总结和比较前人提出的方法的基础上,创建一个关于伯努利分布和二项分布统计推断的名为Bernoulli的r包,将文献中现有的比较好的区间估计和假设检验方法写成函数打包,便于调用这个r包中的函数,得到参数的点估计,置信区间和假设检验推断结果。本文也介绍了r中现有的关于伯努利分布、二项分布统计推断问题的一些r包和相关函数,但是现有的函数较少,方法较为单一,我们新创建的r包实现了不同样本情况下参数的置信区间和假设检验,相比已有的r包方法更全面,更系统,包的功能和相关函数的调用通过具体实例来说明。

关键词：伯努利分布二项分布置信区间假设检验 r包

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

动态生物网络重构与r包开发

动态生物网络重构与R包开发

作者：杨镇宇北京林业大学

学位级别：硕士

网络是一种描述各种物理、化学、生物以及社会等复杂系统中不同组成部分之间相互作用关系的强大工具。虽然目前已经有许多用于网络重构的统计方法,但是绝大多数方法在揭示样本变化的时空差异等方面仍有不足。特别是随着各种高通量数据... 详细信息

网络是一种描述各种物理、化学、生物以及社会等复杂系统中不同组成部分之间相互作用关系的强大工具。虽然目前已经有许多用于网络重构的统计方法,但是绝大多数方法在揭示样本变化的时空差异等方面仍有不足。特别是随着各种高通量数据和组学数据的大量出现,越来越多的生物科学和技术研究迫切需要新的方法和工具来掌握一个复杂的生物系统并解决大数据带来的新挑战。基于网络的生物信息学分析,有助于研究人员深入了解和识别复杂系统中关键的相互作用,发掘许多自然规律下尚未发现的关系,并有助于从全系统范围内揭示生物的基本功能或分子水平上的基本作用机制。为此,本研究开发了一个可以从高维时序数据集中重建样本之间相互作用关系的动态网络模型,并将其整合封装到一个r程序包中。该模型中使用了一个基于正交多项式及自回归协方差矩阵的聚类方法对时间相关数据进行模式识别,并对该聚类方法中的参数估计及可并行性方面进行了优化。同时,考虑到生物网络中节点关系稀疏性的原则,本研究使用弹性网回归方法对变量进行筛选。此外,将变量的整体时变表达水平看作由其内在表达能力和受到其他相关变量外部影响两个部分,并融合到进化博弈论的策略中,通过混合常微分方程(ODE)构建动态交互网络,可以揭示和跟踪网络体系结构在跨时间尺度上连续变化。最后,本研究使用C++编程语言实现r包中绝大部分底层核心代码,弥补了r语言在大数据计算能力方面的缺陷。经过计算机模拟实验及实际数据测试,主要得到以下研究成果:(1)基于高维时序数据的聚类工具解决了大部分同类型方法没有考虑时序数据自相关性方面的不足,经过模拟研究及统计功效的检测表明,使用不同的模型选择准则可以准确识别出真实聚类数量;每个聚类的估计值与设置的真实值都极为接近;在大数据的计算能力测试上,该聚类工具具有非常理想的计算效率。(2)基于具有时间导数的常微分方程构建的动态网络,具有信息化(涵盖5种不同交互作用模式)、动态化(监测网络拓扑的连续变化)的能力,模拟研究表明网络中每个节点的估计参数与真实参数值比较接近;通过将微分方程的求解及参数优化并行处理,该计算方法可以具有较高的计算速度。(3)本研究中开发的r包,相关底层代码使用r及C++编程语言实现,可以在目前主流的Windows和Linux操作系统中实现相同的高性能计算,并以较低的内存和时间成本来处理非常大的数据集。经过对r包的测试,该软件具有较好的稳定性及用户体验。(4)在r包的实际数据测试中,本研究使用模式植物拟南芥的84个重组自交系及其8个时间点的株高生长数据,构建了一个稀疏、有向、可量化的模块之间的宏观调控网络以及重点模块中的3个显著候选基因(AT4G22680、AT4G29140、AT4G36910)的微观上位性调控网络,通过结合GO富集结果及相关文献分析了显著基因发挥其生物学功能的互作模式,为植物遗传结构的解析提供了新的方法和思路。综上所述,在大数据时代背景下,本研究为解析生物复杂网络提供了一个更有效、更广泛、更高效的工具,并展示了如何在不同目的和不同尺度下重构信息丰富和有意义的网络,对于从高维的数据集中描述生物系统行为和功能的基本原理具有重要意义。

关键词：高维数据降维分析网络构建 r包拟南芥

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

QTL互作网络重塑的r包开发

QTL互作网络重塑的R包开发

作者：赵金帅北京林业大学

学位级别：硕士

众多基因控制的复杂性状的研究对人类医学复杂疾病的预防、诊断和治疗、动物育种、微生物育种、作物农艺性状和品质性状的改良具有重要作用。数量性状位点(Quantitative trait loci,QTL)定位是解析复杂性状的重要手段,对于大多数复杂性... 详细信息

众多基因控制的复杂性状的研究对人类医学复杂疾病的预防、诊断和治疗、动物育种、微生物育种、作物农艺性状和品质性状的改良具有重要作用。数量性状位点(Quantitative trait loci,QTL)定位是解析复杂性状的重要手段,对于大多数复杂性状而言,常规的全基因组关联分析会导致遗传力缺失的问题。越来越多的研究表明,复杂性状是由生物体整个基因组中可能携带的所有基因同时控制的,复杂性状可能不仅由单个基因独立作用决定,而且还由它们通过一个复杂且关系紧密的网络的上位性相互作用决定。但是,目前的理论和解决上位性的方法是有限的。基于以上问题,本课题结合生物学、变量选择、网络科学、计算机科学和数学建模,开发和优化QTL互作网络重塑的算法r包,用来定位调控复杂性状的QTLs。我们将所有SNPs封装到可视化和可追踪的遗传互作网络中,并将其遗传效应分解为自身独立成分和除自身外的依赖成分,以此了解每个SNP是如何与其他SNPs互作从而影响复杂性状。本研究中我们开发了名为Fun Graph的r包,其中融入了功能作图、功能聚类、变量选择、网络重塑可视化等统计分析方法,可将复杂性状的表型数据和SNPs基因型数据关联分析,实现了将依赖于时间点的静态表型数据变化为曲线的动态表型,在解析遗传力方面可同时分析所有可能的成对交互的所有SNPs,挖掘复杂性状隐藏的遗传结构,为解释遗传力缺失提供思路,同时在很大程度上不依赖于样本的大小。Fun Graph包可在rStudio或r中运行,Vignette文档、r包以及使用方法可在https://***/zs-miracle/Fun Graph获取,安装命令为install＿github("zsmiracle/Fun Graph/Fun Graph")。在应用数据方面,我们使用Fun Graph包对金黄色葡萄球菌生长性状的表型和基因型数据进行分析,检测到30个QTLs,主要分布在由功能聚类得到的14个网络模块中的第9和第11模块中,QTLs的遗传效应曲线几乎一致且并非随机分布。通过对QTLs进行基因功能注释,发现它们具有相似的功能,如细胞分裂蛋白、在DNA合成过程中处理冈崎片段的5'端的基因、DNA结合蛋白等属于生长性状中的基本功能。接着构建出了多层、稀疏和多交互的遗传网络,选取了两个具有代表性的QTLs(Q2103267和Q589872)和两个不显著的SNPs(S597829和S1841808)解释了网络模块中的互惠、寄生、利他等关系以及通过剔除某个相关基因会导致其他基因解除抑制从而显著和遗传力缺失问题。本研究从r包构建、选取金黄色葡萄球菌独立培养下的生长丰度作为测试数据、模拟实验三方面描述了如何在全基因组关联研究(GWAS)中重建和解剖复杂性状的功能全基因多层交互组网络的统计方法。该网络介导复杂的动态特征,可以分析每个基因座如何通过自身的直接效应和在大规模网络中共存的其他基因座调控而产生的一整套间接效应来影响表型变异。Fun Grap包可以揭示了DNA基因型与表型之间的直接联系,提供了一个更好的用来理解复杂性状遗传结构,并跟踪每个基因的信息流向的工具。

关键词： QTL定位功能作图基因调控网络 r包

用于生存资料分析的r软件CutpointsOEHr包

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

中国卫生统计 2020年第2期37卷 307-309页

作者：陈逸敏张晋昕中山大学公共卫生学院医学统计学系 510080

目的介绍r软件CutpointsOEHr包的主要功能及其应用,为广大临床医生和研究者寻找生存数据中连续型自变量的合理分界点提供参考。方法利用美国退伍军人管理局肺癌研究组的肺癌数据,演示用CutpointsOEHr包寻找年龄变量合理分界点的过程与... 详细信息

目的介绍r软件CutpointsOEHr包的主要功能及其应用,为广大临床医生和研究者寻找生存数据中连续型自变量的合理分界点提供参考。方法利用美国退伍军人管理局肺癌研究组的肺癌数据,演示用CutpointsOEHr包寻找年龄变量合理分界点的过程与代码。CutpointsOEHr包使用AIC判定准则量化cox模型的拟合效果,并选择合理的双界点使cox模型有最好拟合效果。结果对于与结局风险呈U型关系的连续型自变量,CutpointsOEHr包可方便地计算该自变量的两个合理分界点。结论用r软件CutpointsOEHr包寻找分界点的过程与代码易于解读、具有可操作性,为生存数据cox回归应用中自变量的合理离散化提供实用的操作参考。

关键词： r包分界点生存数据

在线全文

学校读者我要写书评

暂无评论

r语言程序包依赖关系与更新情况的实证研究

计算机科学 2024年第6期51卷 1-11页

作者：程弘正杨文华南京航空航天大学计算机科学与技术学院南京211106 软件新技术与产业化协同创新中心南京210023

作为一款统计分析和统计制图的优秀工具,r在统计分析和人工智能领域得到了广泛应用,并且拥有丰富的开源生态系统,相关r语言程序包(r包)的数量也在持续增长。r包开发模式的特征,即新开发r包往往通过引入已有的r包来实现功能,导致r包之间... 详细信息

作为一款统计分析和统计制图的优秀工具,r在统计分析和人工智能领域得到了广泛应用,并且拥有丰富的开源生态系统,相关r语言程序包(r包)的数量也在持续增长。r包开发模式的特征,即新开发r包往往通过引入已有的r包来实现功能,导致r包之间的依赖关系非常复杂,甚至出现依赖冲突。而引起此问题的原因除了依赖关系外,还有r包的更新。为了了解现有r包的发展现状,需要对r包的依赖和更新情况进行深入实证研究。但已有关于r的实证研究关注的主要是整个r生态系统,没有专门针对r包的依赖和更新的具体分析。为了弥补这一空缺,基于CrAN与GitHub上的数据对常用r包的依赖关系、包的更新情况、存在的依赖冲突隐患以及r包的依赖更新情况4方面展开了详细分析。发现r包之间的依赖关系复杂、每个包依赖的包的数量普遍较多但依赖集中于一部分r包,虽然常用r包的更新频率较快,但其中依然存在不少依赖间的冲突(不一致);同时,还对这些r包的依赖冲突进行了检测和分类。实证研究结果能够让r开发者和使用者更加了解r包的发展现状,同时提供了一些可以帮助r包的开发者在开发过程中避免隐患的建议,总结了研究者在r包依赖和更新相关问题上可以进一步探究的方向。

关键词： r包实证研究依赖更新依赖冲突

在线全文

学校读者我要写书评

暂无评论

健康指数构建的统计分析流程及实现

中华疾病控制杂志 2022年第10期26卷 1161-1166,1173页

作者：施婕田祥王雅倩卢伟王晗王玥迟蔚蔚山东大学齐鲁医学院公共卫生学院生物统计学系济南250012 国家健康医疗大数据研究院济南250003 山东健康医疗大数据管理中心济南250002 北方健康医疗大数据科技有限公司济南250117 青岛市妇女儿童医院妇科中心青岛266034

目的基于综合评价理论探索并归纳健康指数构建的统计分析流程,开发相关r包用于软件实现,为健康指数研究开发一套快捷高效的评价工具,实现一键生成高度集成的综合指数及评价结果,以期为监管部门提供科学可靠的评价信息与决策依据。方法使... 详细信息

目的基于综合评价理论探索并归纳健康指数构建的统计分析流程,开发相关r包用于软件实现,为健康指数研究开发一套快捷高效的评价工具,实现一键生成高度集成的综合指数及评价结果,以期为监管部门提供科学可靠的评价信息与决策依据。方法使用r 4.1.3软件开发EvaModels包,结合健康指数构建的统计分析流程对EvaModels包内各项函数进行整体介绍与参数解释,分析比较各类方法的适用场景,并以公立医院持续发展指数构建为例进行演示分析。结果健康指数构建包括确定指数研究主题、构建评价指标体系、多指标综合评价及评价结果可视化四大流程。所开发的EvaModels包共内置九个函数,通过多种方法实现指标筛选、数据标准化、指标赋权和综合评价等功能,可满足多种评价问题的分析需求,基本覆盖健康指数构建的统计分析流程。结论EvaModels包通过一组函数将健康指数构建中涉及统计分析的工作流程自动化、简单化,过程与代码易于解读与调用,提高了健康指数构建的便捷性和可操作性。

关键词：健康指数构建统计分析流程综合评价 r包

在线全文

学校读者我要写书评

暂无评论

多视图数据的聚类算法研究

多视图数据的聚类算法研究

作者：于淼山东理工大学

学位级别：硕士

不同类型的数据,聚类方式各有不同.针对数据是否按照视图划分,数据可分为单视图数据和多视图数据.多视图数据又因为其良好的互补性而被广泛使用.这就使得多视图数据的聚类问题变得越来越重要.本文主要工作如下:第一,针对多视图数据聚类... 详细信息

不同类型的数据,聚类方式各有不同.针对数据是否按照视图划分,数据可分为单视图数据和多视图数据.多视图数据又因为其良好的互补性而被广泛使用.这就使得多视图数据的聚类问题变得越来越重要.本文主要工作如下:第一,针对多视图数据聚类问题,本文基于K均值算法,改进了正则化K均值算法用来处理多视图数据.具体而言,通过正则化项的控制,可以减少过拟合现象的发生;通过计算指示矩阵,可以得到明确的聚类划分结果和聚类中心.同时本文也给出处理单视图数据聚类问题的算法.第二,当前发展趋势为大数据上云储存,这就使得多视图数据以在线形式使用.然而,在线多视图数据聚类、在线更新的问题仍未解决.为了解决这些问题,本文提出了在线正则化K均值聚类方法.具体而言,在线多视图数据集中,以非负矩阵分解作为模型起点,以找到每个聚类的指示矩阵和聚类中心;对于在线更新,提出了一种在线更新步骤,以提高准确性和速度.本文也同时给出了处理在线单视图数据的方法.第三,某些多视图数据的特征数量要远高于样本量,这就导致算法的运行时间仍然很高,且无法控制视图间和视图内的稀疏度.针对这个问题,本文提出了一种针对多视图数据的特征选择方法,具体而言,使用l范数来进行特征选择,并加入正则化项避免过拟合,进行特征选择后的多视图数据仍然保留了最大程度的特征,而又减少了算法的运行时间.第四,为了验证上述算法的有效性,本文进行模拟数据分析,真实数据分析,测试其聚类性能,同时还进行稳定性分析和敏感性分析,给出不同参数变化对聚类效果影响的折线图.结果表明,本文所提出的聚类方法在数值分析中优于传统方法和最新方法.最后,本文还开发了r包OrKM,包含本文所提出的所有聚类方法,可用于处理在线多视图数据集和离线多视图数据集.数值分析结果表明,OrKM的聚类效果优于其他r包,且能够显著降低本文所有算法的复现成本,便于读者得到聚类结果.

关键词：多视图数据在线聚类正则化特征选择 r包

一种癌症基因组中局部超突变区域的识别及可视化工具的开发与实现

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

一种癌症基因组中局部超突变区域的识别及可视化工具的开发与实现

作者：刘安娜东南大学

学位级别：硕士

在一项针对21种乳腺癌的研究中,研究人员通过构建降雨图,观察到了一种显著的局部超突变区域。这些区域是癌症基因组突变的“热点”,如同癌症基因组突变的“猛烈风暴”,因此这种现象用希腊语“kataegis”命名。之后,局部超突变区域又在... 详细信息

在一项针对21种乳腺癌的研究中,研究人员通过构建降雨图,观察到了一种显著的局部超突变区域。这些区域是癌症基因组突变的“热点”,如同癌症基因组突变的“猛烈风暴”,因此这种现象用希腊语“kataegis”命名。之后,局部超突变区域又在许多癌症类型中被发现,如肺癌、宫颈癌、头颈癌和膀胱癌等癌症。通过突变特征分析,kataegis被确定为在平均突变距离等于或小于1000 bp范围内,包含6个或更多连续突变的片段。kataegis的产生机制尚不完全清楚,但通常发现其与基因组重排共定位。为了破译kataegis在基因组中的作用,本研究开发了一个轻量级且易于使用的r包—“kataegis”。kataegis包采用分段常数拟合(Piecewise Constant Fitting,PCF)算法分割基因组,该算法基于惩罚性最小二乘和动态规划的原理,产生完全由断点和每个片段上的平均突变间距离确定的的分段常数曲线。kataegis包提供三个操作步骤来识别基因组超突变区域,即(1)以标准格式读取变异文件;(2)计算突变间距离;(3)用适当的参数调用局部超突变区域。同时此包提供了可视化功能,可绘制基因组景观。kataegis包基于r语言的向量操作,提高了计算效率,最终实现了简单且快速地识别及可视化基因组中局部超突变区域,这将有助于进一步理解变异以及进一步研究复杂疾病发生的机制。可在Bionconductor/Github(https://***/flosalbizziae/kataegis)上获得kataegis包。

关键词： kataegis 局部超突变区域 r包 PCF算法