건강 데이터를 위한 최고의 예측 모델링 접근 방식여러분 안녕하세요,
이것은 무엇보다 "스핏 볼링"이므로 여기에 있습니다. 간단히 말해서, 저는 암초 산호에 대한 진단 테스트를 개발하여 기후 변화의 결과로 죽을 가능성이 있는 산호와 그렇지 않은 산호를 알 수 있도록 노력하고 있습니다. 실험실에서 수행된 일련의 실험을 통해 나는 이제 탄력 있고 스트레스에 민감한 산호와 관련된 단백질 특징을 알고 있으므로 이론상으로는 이제 바다로 나가 새로운 식민지를 샘플링할 수 있는 능력을 갖게 될 것입니다. 에 대한 사전 지식이 없으며 건강에 대해 예측합니다.
분석적으로, 나는 내가 프로파일링한 단백질로 꽤 많은 것을 시도했는데, 그 중 많은 부분이 동일선상에 있습니다(표준 회귀 접근 방식이 적합하지 않게 만듭니다). "건강한" 산호와 "스트레스를 받은" 산호 데이터 세트에 대한 판별 분석 접근 방식을 사용하면 내가 원하는 답을 얻을 수 있는 것 같습니다. 나는 단계별 판별 분석을 가지고 놀았고 기본적으로 건강 상태에 따라 샘플을 100% 정확하게 분류할 수 있는 최소 단백질 수를 식별하려고 했습니다. 내가 이것을 올바르게 해석하고 있습니까? 판별 분석은 기본적으로 일종의 예측 기능이 있는 MANOVA인 것 같습니다(단 11개 샘플에서 272개의 단백질을 측정했기 때문에 이 경우 MANOVA를 사용할 수 없음).
오늘 일반화 회귀에 대한 훌륭한 JMP 웨비나를 보았으므로 이를 가지고 놀았습니다. Y를 건강 상태(이항: 건강 대 스트레스)로 설정하고 272개의 단백질을 x 변수로 사용했습니다. 어떤 경우에는 "가장 유익한" 단백질의 최종 세트가 DCA에서 파생된 것과 유사했지만 더 많은 경향이 있었습니다(5개 정도의 단백질은 기본적으로 산호 건강을 정확하게 예측할 수 있는 모델을 구축하는 데 사용할 수 있음). 물론 한 가지 문제는 이미 답을 알고 있는 샘플을 사용하고 있다는 것입니다(즉, 산호가 살았는지 죽었는지 여부). 따라서 과적합될 위험이 있습니다. 판별 분석은 문자 그대로 데이터를 완전히 맞추는 것으로 보이며 아마도 임의성이나 노이즈에 대한 흔들림의 여지를 남기지 않을 것입니다. 일반화 회귀에 대한 유효성 검사 열을 만들었으므로 부분적으로 과적합의 가능성을 줄여야 하지 않습니까?
그런 다음 부분 최소 제곱이 있지만 OMICS(transcriptome 또는 proteome) 데이터 세트와 함께 PLS를 사용할 때마다 R2는 항상 0.05-0.07과 같이 불쌍하게 낮습니다. 저는 지난 주에 발표자가 기본적으로 Formula Depot을 사용하여 여러 접근 방식에서 파생된 모델을 컴파일하는 일반화된 회귀에 대한 정말 훌륭한 웨비나를 보았습니다. 끝으로 내 주요 질문은 수백에서 수천 개의 예측 변수를 사용하여 이항(건강 대 질병) 응답에 대한 예측 모델을 만들려고 할 때 이러한 방법 중 하나가 "황금"으로 간주되는 것입니다. 기준?" 데이터가 일반적으로 비정규 분포라는 점도 언급할 가치가 있습니다. 이 데이터 세트는 매우 작으며 PCA를 클릭하면 비정상 샘플을 매우 쉽게 구별할 수 있습니다.
Re: 건강 데이터를 위한 최고의 예측 모델링 접근 방식또한 염두에 두어야 할 한 가지는 전반적인 접근 방식입니다. 이는 실제로 글로벌 문제에 대한 wrt처럼 들리기 때문에 2단계 접근 방식이 있습니다.
1단계: 시스템을 시도하고 특성화하기 위한 설명 모델링, 따라서 장점이 변수 식별/축소인 모델링 방법을 먼저 살펴봐야 합니다.
2단계: 미래 또는 새로운 산호 시스템의 건강과 미래 전망에 대한 진술을 하기 위한 예측 모델링. 따라서 예측 기능이 가장 바람직한 모델입니다.
접근 방식을 차별화하는 데 도움이 되는 멋진 웹 세미나는 다음과 같습니다.
https://www.jmp.com/en_us/events/ondemand/analytically-speaking/to-explain-or-predict-that-is-the-question.html
Re: 건강 데이터를 위한 최고의 예측 모델링 접근 방식제안과 피드백을 주신 모든 분들께 감사드립니다. 2010년에 수행된 단일 실험의 11개 샘플을 기반으로 야생 산호의 운명을 예측하는 것은 말할 것도 없이 위태롭다는 것을 알고 있습니다! 다행스럽게도 저는 다양한 온도, 염도, 조도, 국가, 위도 등에서 수집된 다양한 산호에서 수많은 현장 데이터를 수집했으며 이 데이터를 실험실 실험의 데이터와 병합하여 일종의 산호를 조각하기 시작하기를 희망하고 있습니다. 진단 시스템. 나는 정상적인 "건강한" 범위뿐만 아니라 농도를 보여주는 인간 혈액 바이오마커 접근 방식을 좋아합니다. 우리는 산호의 건강한 범위가 무엇인지 아직 알지 못하므로 먼저 해결해야 할 사항일 수 있습니다.
이러한 유형의 노력에 대한 최상의 모델링 접근 방식의 관점에서, 나는 기본적으로 다양한 모든 것을 조사했기 때문에 "당신이 언급하는 것을 완전히 무시했던 이 접근 방식을 절대적으로 사용해야 한다"고 말하는 사람이 아무도 없다는 것을 듣고 기쁩니다. 옵션이 있습니다. 결국에는 혼합된 접근 방식을 사용하게 될 것입니다. 하지만 이러한 일반화된 회귀 모델에 점점 더 관심을 갖게 됩니다. 왜냐하면 이 모델이 과적합은 아니지만 너무 복잡한 모델을 만들지 않는 것 사이에서 좋은 균형을 유지하는 것처럼 보이기 때문입니다. 실용적인 적용이 없을 것입니다. 다시 말하지만, 이것은 이 접근 방식의 전체 속성이 아니라 내 데이터 세트의 경우에만 해당될 수 있습니다!
어쨌든 JMP Pro에서 이러한 알고리즘과 플랫폼을 사용할 수 있게 되어 기쁩니다. 이제 일반 JMP로 돌아갈 수 없을 것 같아요!
Re: 건강 데이터를 위한 최고의 예측 모델링 접근 방식나는 빈약한 피드백을 줄 것입니다...당신이 대답하려고 하는 질문 중 하나인 것 같습니다: "내가 실험실 환경에서 수행한 연구에 "실제 세계"에서 결론을 도출할 수 있는 능력이 있습니까? 이것은 데이터 분석을 통해서는 답이 될 수 없다고 생각합니다. 내가 제안하는 것은 다음 두 가지에 집중하라는 것입니다.
1. 더 나은 응답 변수 개발(대 이산). 이것은 일부 연속 변수의 형태를 취할 수 있습니다(예: 표백제의 그라데이션, 단백질 x의 백분율 등). 또는 연속 응답을 생성할 수 없는 경우 적어도 순서형 응답을 생성할 수 있습니다.
2. 샘플링 계획을 설계합니다. 샘플링 계획은 가설의 기능으로 생성됩니다. 계획은 계층적(중첩), 체계적 또는 교차일 수 있습니다. 다양한 변동 소스를 분리 및 할당하고 추론 공간을 늘리기 위한 것입니다. 따라서 산호초의 황폐화를 일으키는 원인에 관심이 있는 것 같습니다. 가설에 따라 실제 산호초를 샘플링할 수 있습니다. 주변 염분이 어느 정도 영향을 미친다고 가정해 보겠습니다. 동일한 염도 내에서 여러 샘플을 가져온 다음 염도가 다른 위치에서 샘플을 채취합니다. 귀하의 가설이 주변 오염 물질과 관련이 있다고 가정해 보겠습니다. 동일한 아이디어 사과, "동일한" 오염 물질 영역 내에서 여러 샘플을 가져온 다음 오염이 다른 다른 위치를 선택합니다. 물론 이것은 실험 설계 아이디어로 가속화될 수 있지만 실험은 실험실이 아닌 실제 세계에서 수행되어야 합니다. 피셔 등 참조. 알.
Re: 건강 데이터를 위한 최고의 예측 모델링 접근 방식@abmayfield : 귀하의 '...주요 질문...'으로 돌아가서 '황금 표준' 모델링 방법론으로 돌아가겠습니다. IMO에서 '금본위제'라는 개념을 지정하는 것은 불가능합니다. 조금 철학적으로 말하면 '외부'에 모델링 방법이 너무 많은 데는 이유가 있습니다. 모델링 방법의 성장과 확산을 되돌아보면 모든 유형의 문제와 데이터에 가장 적합한 방법이 없기 때문입니다. 그래서 제가 항상 실무자들에게 설교한 아이디어는 귀하의 문제와 데이터에 대해 많은 것을 시도한 다음 '가장 좋은' 것을 확인하는 것입니다. 이진 범주형 응답의 경우 몇 가지 주요 모델 진단 방법은 오분류율, ROC 곡선 등입니다. JMP Pro의 Formula Depot 및 Model Comparison 플랫폼은 비교 비즈니스를 효율적으로 만들 수 있습니다.
Re: 건강 데이터를 위한 최고의 예측 모델링 접근 방식봐주셔서 감사합니다. 나는 실제 생물학적 질문에 대해 의도적으로 모호했기 때문에 그것을 확장하면 내 질문과 필요가 더 명확해질 것입니다. 어떤 산호가 표백할지 예측하고 싶습니다(공생자의 손실로 인해 하얗게 변하고 나중에 죽는 과정). 기본적으로 저는 바이오마커 농도와 백화 가능성을 연관시킬 수 있도록 백화 이전 몇 주 동안 산호의 분자 생물학을 모니터링했습니다. 기본적으로 다양한 다변수 플랫폼은 후보 바이오마커 선택과 관련하여 유사한 결과를 산출합니다(즉, 표백되기 쉬운 산호와 표백 저항성 산호를 가장 잘 구별하는 단백질). 그러나 내가 궁금한 것은 이러한 결과가 아직 샘플링되지 않은 산호로 테스트했을 때 실제 세계에서 예측 가치가 있는지 여부입니다. 나는 분명히 약간의 유연성이 있는 모델이 필요하고 내가 시도한 접근 방식 중 일부는 예측 모델링 접근 방식 자체가 아니라 설명적이라고 생각합니다. . 아마도 이것은 11개의 산호와 272개의 기능만 가지고 있다는 증거일 수 있습니다. 즉, 결과 모델은 본질적으로 과적합됩니다.
https://www.jmp.com/en_us/events/ondemand/mastering-jmp/using-jmp-pro-to-build-generalized-regression-models.html 이 웨비나는 인간과 유사하지만(바이오마커 시그니처에서 당뇨병에 걸릴 가능성 연결) 유사한 것을 달성하기 위해 노력하고 있습니다. 그러나 이 경우 Y는 연속 변수이므로 언급한 대로 0에서 10까지의 연속체를 따라 산호의 순위를 매기는 방법을 알아내야 할 수도 있습니다.
Re: 건강 데이터를 위한 최고의 예측 모델링 접근 방식나는 분명히 당신의 문제를 이해하지 못하므로 이 의견이 유용하지 않을 수 있습니다.정말로 800개 이상의 기능과 11개의 관찰이 있다면 어떤 결론도 내릴 수 없다고 상상할 수 있습니다.건강한 관찰과 비정상 관찰을 구별하는 것은 어렵지 않아야 합니다(말 그대로, 거의 의미 없는 모델이기는 하지만 거의 모든 기능 세트로 이를 수행할 수 있어야 합니다).더 중요한 것은 이분법적 응답 변수에 대해 전혀 확신할 수 없다는 것입니다.산호초는 그라데이션 없이 정말 건강하거나 건강에 해로운가요?일반적으로 이와 같은 건강 연구는 이것을 중도절단된 데이터로 취급합니다. 관찰은 특정 시점에서 이루어지며 그 시점에 건강하지 않은 표본이 관찰될 수 있는 반면 건강한 표본은 지금까지 건강한 것으로 취급되어야 합니다(즉, 나쁜 결과는 연속 응답 변수이고 데이터는 중도절단됩니다.아니면 암초가 건강하거나 건강에 해롭다고 결정적으로 선언할 수 있는 시간에만 관찰을 할 것을 제안하고 있습니까?
