Участник:EvgSokolov/Песочница
Материал из MachineLearning.
(Различия между версиями)
| Строка 9: | Строка 9: | ||
В качестве весовой функции предлагается использовать экспоненциальную или гауссову: | В качестве весовой функции предлагается использовать экспоненциальную или гауссову: | ||
| - | ::<tex>w_E(P) = exp(- \frac{P - p_{min}}{\theta})</tex> | + | ::<tex>w_E(P) = \exp(- \frac{P - p_{min}}{\theta})</tex> |
| - | ::<tex>w_G(P) = exp(- \frac{(P - p_{min})^2}{\theta^2})</tex>. | + | ::<tex>w_G(P) = \exp(- \frac{(P - p_{min})^2}{\theta^2})</tex>. |
Отметим, что авторы рекомендуют перед вычислением поправок перейти к логарифмической шкале. | Отметим, что авторы рекомендуют перед вычислением поправок перейти к логарифмической шкале. | ||
Версия 19:46, 19 октября 2011
LESN (Low End Signal is Noise)
Данный метод основывается на двух принципах: фоновая поправка должна сохранять порядок интенсивностей проб и наименьшим интенсивностям должна соответствовать наибольшая поправка[1].
Обозначим через наименьшее значение интенсивности пробы на чипе.
Пусть
- невозрастающая весовая функция, принимающая значения из
и такая, что
.
Тогда если
- интенсивность
-й пробы, то поправка вычисляется по следующей формуле:
Здесь - некоторая маленькая константа, необходимая для того, чтобы интенсивности не обращались в ноль.
В качестве весовой функции предлагается использовать экспоненциальную или гауссову:
.
Отметим, что авторы рекомендуют перед вычислением поправок перейти к логарифмической шкале.
Примечания
- ↑ Bolstad, B. M. (2004). Low-level Analysis of High-density Oligonucleotide Array Data: Background, Normalization and Summarization. Analysis. UNIVERSITY OF CALIFORNIA, BERKELEY.
