In jakubkala/QuiPTsim:

knitr::opts_chunk$set(echo = FALSE)
source("./experiments-results-summary.R")

Wstęp

Reprezentacja k-merowa

• każda sekwencja reprezentowana jako wiersz macierzy k-merów
• Dla każdego $k$-meru: $k \in {1, 2, 3, 4};~d \in {0,\dots,6}$

Motywacja i cel pracy

• redukcja wymiarowości przestrzeni $k$-merowej
• filtrowanie $k$-merów

Dane

Losowo generowane sekwencje:

• długości 10
• alfabet 6-elementowy
• Prawdopodobieństwo elementów: amylogram encoding

Losowo generowane motywy:

• postać $k$-meru: $k \in {1, 2, 3, 4};~d \in {0,\dots,6}$
• prawdopodobieństwo elementów: amylogram encoding

Metody

Filtry rankingowe + testy: QuiPT, $\chi^2$ + SU, IG, GR + Information-Based: NJMIM, MRMR, JMIM, JMI, DISR

Filtry nierankingowe + FCBF + QuiPT + $\chi^2$

Analiza metod filtrowania k-merów

Schemat ewaluacji: + rankingi: siatka $k$-merów: $1-128, 2^i,8 \leq i \leq 12$ + metryki: AUC, dokładność i inne + 5-fold CV

Modele: + LASSO + Random Forest + Naive Bayes + k-NN

Eksperymenty

Eksperyment I

Eksperyment II

Exp I - Baseline (1 motyw, 300 sekwencji) - wyniki

plot_times(total_times)

Wyniki cd.

model = "LR LASSO"
metrics = c("Accuracy", "Sensitivity", "AUC")
knitr::kable(table_nonranking(nonranking_results, model, metrics))

Wyniki cd.

plot_ranking_results(ranking_results, "AUC")

Pytanie I

Jak prezentować wyniki?

• porównanie metod rankingowych z nierankingowymi
• wygląd (dobór kolorów, typów linii itd.)
• oddzielne porównanie najlepszych filtrów

Eksperyment III

Eksperyment IV

Pytanie 2

• Czy eksperymenty III i IV są dobrze zaprojektowane?
• Dobór wielkości zbioru motywów
• Parametry łączenia zbiorów danych

Pytanie 3 - Analiza filtrowanych k-merów

Czy porównanie podzbiorów $k$-merów jest sensowne?

Pomysły:

• diagramy Venna
• wordclouds
• wyjaśnienie poprzez "dobry" klasyfikator

Dziękuję za uwagę!

jakubkala/QuiPTsim documentation built on Jan. 17, 2022, 11:27 p.m.