Demo 结果

Demo 结果解读

选用了目前主流的分类器（比如 SVM，KNN）以及筛选特征值的方法（贪婪算法）筛选并建立稳定的模型，帮助客户筛选到灵敏度与特异性高的 maker。

分子建模预测

采用模式识别与数据挖掘技术有效进行模型的构建，将部分数据拿来做训练集预测模型，然后部分数据作为测试数据集（独立样本）来验证模型的准确性。目的在于利用实验数据来筛选出一批靶标基因，并以此构建模型。小样本数据的建模在于筛选并评判 maker 的稳定性，便于后期实验验证；大样本数据的建模用于进行早期诊断、疾病预测。采用方法分为：线性分类器以及非线性分类器，并利用了 Leave-one-out cross-validation（LOOCV）以及 cross-validated misclassification error rate 的筛选策略找到优选 MARKER。

分析要求

小样本建模：样本数在 20 以上；

大样本建模：样本数在 100 以上；

数据类型：表达，甲基化，CNV，SNP 均可。

提供结果

图片格式：ROC 曲线图，TIFF 格式；

文本文件：样本的分类情况，灵敏度与特异性，maker 的权重（线性分类器结果）。