Участник:EvgSokolov/Песочница

Материал из MachineLearning.

(Различия между версиями)
Перейти к: навигация, поиск
Строка 9: Строка 9:
В качестве весовой функции предлагается использовать экспоненциальную или гауссову:
В качестве весовой функции предлагается использовать экспоненциальную или гауссову:
-
::<tex>w_E(P) = exp(- \frac{P - p_{min}}{\theta})</tex>
+
::<tex>w_E(P) = \exp(- \frac{P - p_{min}}{\theta})</tex>
-
::<tex>w_G(P) = exp(- \frac{(P - p_{min})^2}{\theta^2})</tex>.
+
::<tex>w_G(P) = \exp(- \frac{(P - p_{min})^2}{\theta^2})</tex>.
Отметим, что авторы рекомендуют перед вычислением поправок перейти к логарифмической шкале.
Отметим, что авторы рекомендуют перед вычислением поправок перейти к логарифмической шкале.

Версия 19:46, 19 октября 2011

LESN (Low End Signal is Noise)

Данный метод основывается на двух принципах: фоновая поправка должна сохранять порядок интенсивностей проб и наименьшим интенсивностям должна соответствовать наибольшая поправка[1].

Обозначим через p_{min} наименьшее значение интенсивности пробы на чипе. Пусть w(P) - невозрастающая весовая функция, принимающая значения из [0, 1] и такая, что w(p_{min}) = 1. Тогда если P_i - интенсивность i-й пробы, то поправка вычисляется по следующей формуле:

P_i' = P_i - w(P_i)(p_{min} - p_0)

Здесь p_0 - некоторая маленькая константа, необходимая для того, чтобы интенсивности не обращались в ноль.

В качестве весовой функции предлагается использовать экспоненциальную или гауссову:

w_E(P) = \exp(- \frac{P - p_{min}}{\theta})
w_G(P) = \exp(- \frac{(P - p_{min})^2}{\theta^2}).

Отметим, что авторы рекомендуют перед вычислением поправок перейти к логарифмической шкале.

Примечания

  1. ↑ Bolstad, B. M. (2004). Low-level Analysis of High-density Oligonucleotide Array Data: Background, Normalization and Summarization. Analysis. UNIVERSITY OF CALIFORNIA, BERKELEY.
Источник — «http://www.recognition.su/wiki/index.php?title=%D0%A3%D1%87%D0%B0%D1%81%D1%82%D0%BD%D0%B8%D0%BA:EvgSokolov/%D0%9F%D0%B5%D1%81%D0%BE%D1%87%D0%BD%D0%B8%D1%86%D0%B0»