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

1. 小样本建模：样本数在20以上；
2. 大样本建模：样本数在100以上；
3. 数据类型：表达，甲基化，CNV，SNP均可。

提供结果

1. 图片格式：ROC曲线图，TIFF格式；
2. 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）。