首页> 外文OA文献 >Appendix S1: Six regression algorithms (TreeNet, Random Forest, CART, MARS, Regression and CART Ensemble in SPM7) to predict abundance (prediction abundance) from observed abundance data

【2h】

Appendix S1: Six regression algorithms (TreeNet, Random Forest, CART, MARS, Regression and CART Ensemble in SPM7) to predict abundance (prediction abundance) from observed abundance data

机译：附录S1：SPM7中的六个回归算法（TREENET，随机森林，购物车，火星，回归和购物车），以预测观察到丰富数据的丰富（预测丰富）

代理获取

本网站仅为用户提供外文OA文献查询和代理获取服务，本网站没有原文。下单后我们将采用程序或人工为您竭诚获取高质量的原文，但由于OA文献来源多样且变更频繁，仍可能出现获取不到、文献不完整或与标题不符等情况，如果获取不到我们将提供退款服务。请知悉。

页面导航

著录项
引文网络
相似文献
相关主题

著录项

作者

展开▼
作者单位

展开▼
年度 -1
总页数
原文格式 PDF
正文语种
中图分类

相似文献

外文文献
中文文献
专利

1. Integrated analysis of transcriptomic and proteomic data of Desulfovibrio vulgaris: zero-inflated Poisson regression models to predict abundance of undetected proteins [J] . Nie L, Wu G, Brockman FJ, Bioinformatics . 2006,第13期

机译：寻常脱硫弧菌的转录组学和蛋白质组学数据的综合分析：零膨胀泊松回归模型可预测未检测蛋白的丰度
2. Integrated analysis of transcriptomic and proteomic data of Desulfovibrio vulgaris: zero-inflated Poisson regression models to predict abundance of undetected proteins [J] . Nie L, Wu G, Brockman FJ, Bioinformatics . 2006,第13期

机译：寻常脱硫弧菌的转录组学和蛋白质组学数据的综合分析：零膨胀泊松回归模型可预测未检测到的蛋白质的丰度
3. Integrated analysis of transcriptomic and proteomic data of Desulfovibrio vulgaris: zero-inflated Poisson regression models to predict abundance of undetected proteins [J] . Lei Nie, Gang Wu, Fred J. Brockman, Bioinformatics . 2006,第13期

机译：寻常脱硫弧菌的转录组学和蛋白质组学数据的综合分析：零膨胀泊松回归模型可预测未检测到的蛋白质的丰度
4. Early detection of type II Diabetes Mellitus with random forest and classification and regression tree (CART) [C] . Mira Kania Sabariah M.T., Aini Hanifa S.T., Siti Saadah M.T. 2014 International Conference on Advanced Informatics: Concept, Theory and Application . 2014

机译：利用随机森林和分类回归树（CART）早期发现II型糖尿病
5. An integrative Bayesian Dirichlet-multinomial regression model for the analysis of taxonomic abundances in microbiome data [O] . W. Duncan Wadsworth, Raffaele Argiento, Michele Guindani, 2017

机译：用于微生物组数据中生物分类丰度分析的综合贝叶斯Dirichlet多项式回归模型
6. Figure 3: Predicting abundances correctly (A)—Random Dataset and (B)—CAMI Dataset: Abundances predicted by different tools compared to the true abundance used for simulation. SLIMM predicted the abundances more accurately than the other tools. Kraken overestimates the abundance. GOTTCHA and mOTUs did not perform well in predicting the abundances. Violin plots (C)—Random Dataset and (D)—CAMI Dataset: SLIMM has the lowest divergence from true abundances. [O] . -1

机译：图3：正确预测丰度（a） - random dataSet和（b）-cami dataset：与用于模拟的真正丰度相比，不同工具预测的丰富。 Slimm比其他工具更准确地预测丰富。克朗高估了丰富的丰富。 Gottcha和Motus在预测丰富时没有表现良好。小提琴图（c）-random数据集和（d）-cami dataset：Slimm具有真正丰富的最低分歧。

Appendix S1: Six regression algorithms (TreeNet, Random Forest, CART, MARS, Regression and CART Ensemble in SPM7) to predict abundance (prediction abundance) from observed abundance data

著录项

引文网络

相似文献

相关主题

期刊订阅