Exploratory data analysis with noisy measurements
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Multivariate chemical and biological data are increasingly characterized by measurement error variances that are highly heterogeneous. Such heteroscedasticity may be inherent in the measurements themselves or a consequence of data pretreatment. The presence of measurements with large error variances among more precise observations leads to problems in data analysis. For exploratory data analysis and in particular the low‐dimensional visualization of data structures, these complications can result from sources that include preprocessing, subspace estimation, and the projection of objects with erroneous measurements, as well as contamination of the projection space with unreliable samples that preclude the effective visualization of data structures that may be present. In this work, a general strategy is proposed for the exploratory data analysis of multivariate data exhibiting a high degree of non‐uniformity in measurement error variance, where estimates of the variance are available. This strategy involves three principles: (1) mitigation of the effects of noisy measurements through a preprocessing step that uses maximum likelihood principal components analysis; (2) propagation of measurement uncertainty through all steps of the procedure; and (3) incorporation of the uncertainty information into the projection of data onto the visualization subspace. To carry out this last step, a new technique, referred to as the partial transparency projection, is introduced in which the quality of measurements is interactively imbedded into the appearance of the object in the space. The advantages of this strategy are demonstrated with simulated measurements and using experimental microarray gene expression data from a yeast time course study. Copyright © 2012 John Wiley & Sons, Ltd.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,002 | 0,011 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle