卡方的改进与应用(1)

《卡方的改进与应用(1)》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、卡方的改进与应用1、考虑蛋白质互作问题二分类，一个样本对A，B；特征x1，x2特征提取方法：原始频次1（20字符，三联体，8000个特征），原始频次2（7字符，三联体，7*7*7个特征）；对原始频次经蛋白质残基长度矫正；对原始频次经10000次打乱矫正；对原始频次的扣除背景矫正等。优先考虑原始频次2的残基长度矫正和10000次打乱矫正。数据划分：训练集约等比例2/3，独立测试集约等比例1/3。注意训练集中再随机等比例选择约3000个为valid集。Valid集是训练集的一个子集，不单独从训练集中划分出来。这样在计算训练集L

2、OOCV（其实此处不是严格的LOOCV）精度时，卡方表不需要重新统计计数（速度加快）。而是将Valid集中的每一个样本作为测试样本。也因此，卡方表和卡方值要以元胞形式保存起来。特征选择：在综合评价阶段，一个样本对A（Ax1，Ax2）、B（Bx1，Bx2）可看做平面上的两个点。为了避免A与B排列顺序的问题，转用以下两个与排列顺序无关的参数：直线形状和长度。直线形状：S=（Ax1-Bx1）（Ax2-Bx2），如果S>0，形状为向上；如果S<0，形状为向下。如果等于0，计数时分长度各半。直线长度：计算所有训练集的长度平均值。长度

3、是两点间的欧式距离。每个样本对的欧式距离分两种情形，d>和d<。如果d=，计数时分形状各半。总结：总共有4种情形。（S>0且d>），（S>0且d<），（S<0且d>），（S<0且d<）。由此得到2*4列联表。计算卡方值（不矫正）。注意卡方值和卡方表都要以元胞形式保存。一个下三角或上三角的元胞矩阵。在综合评价时，同样要考虑两种情形：带权重和不带权重。逐个引入：三个特征不能直接排列组合为一个2*c卡方表，而是3个2*4卡方表的卡方值求和。除非，我们能仅选择少量特征，否则2*c卡方表的c值将使我们不能承受。改用分拆的卡方表，前述

4、保存的元胞矩阵将大幅度降低计算量。去冗余：当一个新特征引入但valid预测精度下降，新特征视为冗余。当精度相同时，采用第二标准。注意：无论是预测valid集还是独立测试集，我们的元胞矩阵都是相同的。对前述多种组合情形（包括特征提取方法、带权重与否），选定一个valid预测精度最高的组合。对最优组合，进一步实施负样本去伪。因为负样本中可能有错的。以留一法对负样本逐个检验（顺序随机），凡判错的负样本将剔除。最后用保留特征，负样本去伪后的训练集（全部正样本，去伪后的负样本）实施独立测试集预测。1、基因芯片表达数据同上，这时，（G

5、1明显大于G2，G1大于G2但不明显，G1明显小于G2，G1小于G2但不明显）四种情形，构成的r*4列联表与PPI的情形是等价的。实质也是在考虑x轴上的一条有向线段的方向和长度。3、DNA甲基化二分类，位点A（M1，U1），位点B（M2，U2）。两种思路：一是形成2*12列联表；二是同PPI，考虑形状和长度，构建2*4列联表。4、GWASSNP二分类，每个SNP有三种编码0,1,2。两两组合，有（0,0；0,1；0,2；1,0；1,1；1,2；2.0；2，1；2,2）9种情形。构建2*9列联表。