Illesztes felso vagassal is

feladat

  • miert gondoltunk erre?
    • latjuk hogy nem sikerul illeszteni egy adott tipusuakra valamiert
    • teljesen mas az alakja
    • talan azert mert a teteje is hianyzik
      • biologia → van egy felso hatara esetleg a mereteknek
      • illesztes → szemre talan mukodne, mert nagyon bele vagyunk zoomolva
    • de miert nem tudott erre illeszteni?
      • mert a teteje mindig az (n-1)/n kvantilisnel lesz, pedig lehet ez nem igaz, mert mondjuk csak a 80. (mert felso korlat van a kiserlet miatt)

  • hogyan lehetne?
    • csak kezzel probalgatni
      • nem feltetlenul az a fontos hogy mukodjon az algoritmus csak hogy lassuk hogy tenyleg ez a gond az adatokkal
    • teljesen uj parameter
      • erre is optimalizalni
      • majd ezt akkor ha latjuk hogy van ertelme

jegyzet

  • dualguide data
    • azt latjuk hogy a rosszul illeszkedoeknek alacsonyabb az optimal upper limit, lehet tenyleg meg lehet oldani ezzel az illesztest
  • optimalizalas erre is (mostmar 3 parameteres a problema)
    • Rb1_p53 teljesen megoldodik, alacsony lesz a hibaja
    • tobbi viszont nem, sot, eloszlas alapjan az optimal p nem is annyira mas mint a joknal
      • --> igy sem tudjuk elkapni azt a format

Megjegyzések

Megjegyzés küldése

Népszerű bejegyzések ezen a blogon

steepness, hill - different parameters

Kép
problem/goal/basics steepness log(size_99th) - log(size_95th) the percentiles are parameters, these are the defaults, they were used in the article steepness and hill is highly correlated why isn't lkb1 the best? steepness will be high if there is a high probability of a big tumor we saw on the CDFs that lkb1 has a "bump" (dúsulás) so we expect lkb1 to have a high steepness value => is it because of the parameters? is there correlation between the fitting error and the steepness? (default and new parameters) we expect correlation (with "good" parameters) because we saw that all the badly fitting ones have that "bump"  original size cdf: (red is lkb1, green is pten) pten's high steepness: 99th percentile size is the highest 95th percentile is not that different from the others => log(size_99th) - log(size_95th) will be big lkb1's "low" steepness 99th percentile size is high 95th percentile is the highest by a big margin! => lo...
További információk

Miert nem illeszkedik minden genotipus?

Kép
alapproblema felhasznalva az illesztest, szamolunk minden genotipushoz atlagtumormeret erteket (sulyozott integralos algoritmus) ha megnezzuk hogy mi lenne a vart a duplaknal, akkor azt latjuk hogy nagyon keves (pontosan 1, az Rb1_p53) jon ki pozitiv interakcionak (ez szignifikans is amugy) mitol lehet? nezzuk meg melyek azok a genotipusok amik mas meroszamokkal erosek ezeket az illesztesunk "alulbecsuli" (kisebb erteket mond adott percentilishez - foleg a magas percentiliseknel) --> Rb1_p53-nel pont forditva van, annal felulbecsuli az algoritmus, emiatt lesz ennyire eros mit akarunk ezzel kezdeni? opcio ugy modositani az algoritmust hogy megkapjuk pozitivnak azokat amikrol tudjuk hogy azok -> nem ez a cel az alul- es felulbecsulest valahogyan megprobalhatjuk kezelni, de ne az legyen a cel, hogy olyan sulyozast vagy hibafuggvenyt keressunk amivel mukodni fog opcio megerteni hogy miert becsuli alul vagy felul tervek es ahhoz otletek (ha gyorsan lehetett checkolni akkor o...
További információk

alak leirasa, normal eloszlas p ertekkel, egyebek

Kép
alak leirasa, hibafv, normal eloszlashoz p ertek  cel: ne csak szemmel lassuk, hogy rossz az illesztes, valahogyan jo lenne ket dolog egyik objektiven latni hogy rossz egy illesztes ehhez az kell hogy a hibak osszehasonlithatoak legyenek kulonbozo adatokra (most is azok? nem!) masik egy meroszam arra, hogy tenyleg "olyan" alaku az eloszlas ez nehez, szerintem nagyon bonyolult ezt okosan megcsinalni, mindig egyszerubb lesz azt csinalni hogy: megnezzuk mik a rosszak kirajzoljuk azoknak az alakjat hibafv normalizalasa kesz, le kell osztani az atlagmeret logaritmusaval (tesztelve, matematikailag is kb bizonyitva) objektiven latni hogy rossz egy illesztes tegyuk fel hogy az illesztes sose romlik el ez nyilvan nem igaz, de azert azt latjuk hogy legtobbszor tenyleg nagyon jol mukodik, ha jo az adat akkor megtalalja az optimalisat ekkor eleg azt nezni hogy normal eloszlasuak-e az ertekeink: valamilyen p ertek vagy valoszinuseg ket otlet elso: illesztesek hibaja illesztjuk az adatunka...
További információk