Ich untersuche RNA-Genexpressionen bei verschiedenen Krankheiten und verwende JMP Pro 14 zur Modellierung. Ich möchte als Kontrolle einen Kontrollsatz von Kontrollgenen modellieren (Housekeeping-Gene, die sich nicht je nach Bedingung unterscheiden). Unter Verwendung der nominalen logistischen Regression, naiver Bayes und Partitionierung erhielt ich konsistent negative Ergebnisse (Bereich ROCs ~ 0,45 - 0,55) sowohl in den Trainings- als auch in den Validierungssätzen. Aber Bootstrap Forest gab mir hohe ROCs> .80 im Training und ~ .55 in der Validierung. Das kam mir seltsam vor. Also habe ich eine synthetische Datenbank mit 100 Zeilen erstellt: Antwort = Ja oder Nein, jeweils N = 50. Ich erstellte drei Zufallszahlenspalten sowie eine Validierungsspalte, die so gestapelt war, dass die Hälfte des Ja oder Nein für die Validierung trainiert wurde. Die nominale logistische Regression, naive Bayes und Partition ergaben wiederum erwartungsgemäß ROC-Bereiche von etwa 0,5. Der Bootstrap-Wald ergab jedoch einen ROC-Bereich von 0,82 und den Validierungs-ROC-Bereich von 0,48. Ich habe die Bootstrap-Gesamtstruktureinstellungen verwendet, wie in der Benutzerdokumentation vorgeschlagen. Ich fummelte mit diesen ohne offensichtlichen Effekt. Warum hat boostrap forest einen hohen ROC-Bereich für einen Trainingssatz von Zufallszahlen? Sind meine Einstellungen falsch? Vielen Dank. Neal
Ich schlage vor, Sie senden eine E-Mail an support@jmp.com, um sie an diesen Thread zu richten. Sie sollten auch die Versionsnummer des verwendeten JMPs angeben.
