Orange3实战教程：生物信息---单样本评分

于 2025-07-15 10:36:37 发布
阅读量6 收藏
点赞数
CC 4.0 BY-SA版权
分类专栏： Orange3 实战教程 文章标签： 数据挖掘 机器学习 深度学习 神经网络 人工智能 自然语言处理 orange3中文版
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.youkuaiyun.com/err2008/article/details/149348066

单样本评分（Single Sample Scoring）

通过单样本对基因集进行评分。

输入

  • 数据（Data）：输入数据集。
  • 自定义基因集（Custom Gene Sets）：用于评分的基因集。

输出

  • 数据（Data）：包含所选基因集对应富集分数的数据集。

单样本基因集富集分析（ssGSEA） 是基因集富集分析（GSEA）的单样本扩展方法，广泛应用于根据单个样本基因过表达情况对基因集进行评分。其原理是通过对有序表达矩阵中基因的排名贡献求和，高表达值会正向影响评分结果。
（参考：Nature论文）

了解本专栏 订阅专栏 解锁全文 超级会员免费看
Orange3实战教程：生物信息---注释器
err2008的专栏
07-15 6
摘要：注释器小部件功能概述 注释器是一个用于单细胞数据分析的工具，通过标记基因对细胞类型进行自动注释。它接收基因表达数据、二维空间映射和标记基因作为输入，采用曼-惠特尼U检验等方法计算细胞类型归属概率。主要功能包括：1) 支持多种评分方法（FDR值、基因表达量/比例）；2) 可调节聚类参数（DBSCAN算法）；3) 提供丰富的可视化选项（点属性、簇轮廓、标签显示）；4) 支持主数据与次级数据的联合分析。典型应用场景包括骨髓单核细胞分类和细胞周期研究，工作流程可通过交互式界面完成数据注释、选择和结果导出。 （
Orange3实战教程：生物信息---基因集
err2008的专栏
07-11 9
摘要：基因集小部件提供从MSigDB、Gene Ontology等数据库选择基因集的功能，支持创建自定义基因集并进行基因富集分析。示例工作流展示了如何导入人类同源基因数据创建自定义基因集，并将其应用于卵巢癌基因表达数据分析。该工具可实现基因注释、基因集筛选及单样本评分等功能，数据预处理为Orange格式并托管于指定链接。
Orange3实战教程：生物信息---聚类分析
err2008的专栏
07-14 178
摘要： 聚类分析小部件用于识别差异表达基因，支持T检验、曼-惠特尼检验等方法比较特定聚类间的基因表达。用户可配置参数（如P值阈值、基因数量）并选择自定义基因集进行富集分析。示例展示了多西他赛治疗耐药/敏感的乳腺癌数据集分析流程，结果可连接t-SNE可视化或数据表查看。该工具适用于生物信息学中的聚类差异基因挖掘与功能注释。 （字数：150）
Orange3实战教程：评估---测试与评分
err2008的专栏
05-08 312
在泰坦尼克数据集中，手动选择“性别”和“舱位”作为特征，测试决策树、SVM和朴素贝叶斯的性能。底部表格显示基于AUC的模型对比：决策树优于SVM的概率接近1，优于朴素贝叶斯的概率为0.001（等效区间阈值为0.1）。例如，若基于AUC指标，数值0.95表示行模型有95%的概率优于列模型。若启用等效区间，下方小数值表示差异可忽略的概率（基于贝叶斯t检验）。例如，对包含3个类的分类器，分别计算每个类作为目标类的指标，最终按类样本量加权平均。选择评分指标和等效区间（ROPE），用于判断模型差异是否可忽略。
【无标题】Orange3实战教程：生物信息---差异表达分析
err2008的专栏
07-10 8
该工具提供差异基因表达分析功能，可针对选定实验绘制差异表达图谱。输入基因表达数据（如来自dictyExpress或GEO数据库），通过多种统计方法（包括倍数变化、T检验、方差分析等）对基因进行评分，并设置阈值筛选差异表达基因。输出包含差异表达基因子集、非差异表达基因及带评分的选定基因。用户可调整阈值参数，选择计算零分布，并设置自动提交选项。示例展示了在乳腺癌治疗数据集中的应用，通过默认阈值筛选出具有研究价值的基因。该工具适用于生物信息学研究，帮助识别关键差异表达基因。
Orange3实战教程：转换类---数据采样器
err2008的专栏
03-28 54
将其输入数据采样器，设置“固定样本量”为100并启用“有放回抽样”。最后，使用“拼接”部件合并过采样数据与原始其他类数据，得到包含200条实例的新数据集（可通过“分布”部件查看结果）。在数据采样器中设置固定样本量为5，点击“采样数据”后，可通过“数据表”部件查看采样的5条数据（“数据表（样本内）”）。若需输出剩余数据，需双击部件间的连接线，将输出重定向为“剩余数据 --> 数据”。将“数据样本”连接至“测试与评分”部件的“数据”端口，“剩余数据”连接至“测试数据”端口。数据采样器部件支持多种数据采样方法。
Orange3实战教程：模型---随机梯度下降
err2008的专栏
05-06 662
随机梯度下降（SGD）部件使用随机梯度下降算法，通过线性函数最小化选定的损失函数。该算法每次仅考虑一个样本以近似真实梯度，并根据损失函数的梯度同步更新模型。对于回归任务，它返回最小化损失和的预测器（即 M 估计量），尤其适用于大规模和稀疏数据集。使用鸢尾花数据集，通过“测试与评分”部件比较 SGD 和决策树的性能。使用房屋数据集，通过“预测”部件对比 SGD、线性回归和 kNN 的预测效果。SGD 可用于特征评分（配合“排序”部件）。通过随机梯度近似法最小化目标函数。：预处理方法（可选）
Orange3实战教程：模型---朴素贝叶斯
err2008的专栏
04-30 44
该小部件有两个选项：用于在其他小部件中显示的名称，以及生成报告。默认名称为"朴素贝叶斯"。修改名称后需点击"应用"生效。一种基于贝叶斯定理的快速且简单的概率分类器，假设特征之间相互独立。朴素贝叶斯从数据中学习一个朴素贝叶斯模型，仅适用于分类任务。如需禁用默认预处理，可将空的预处理器小部件连接到学习器。：将朴素贝叶斯与随机森林模型进行对比。• 将数值型数据等频离散化为4个分箱。● 学习器：朴素贝叶斯学习算法。：评估朴素贝叶斯的预测质量。● 预处理器：预处理方法。• 模型：训练好的模型。• 数据：输入数据集。
Orange3实战教程：模型---CN2 规则归纳
err2008的专栏
04-27 47
使用动物园数据集（zoo dataset）作为输入，通过 CN2 规则归纳生成模型，并利用“CN2 规则查看器”组件解析模型。CN2 算法是一种分类技术，旨在高效归纳形式为“若条件则预测类别”的简单、易理解的规则，即使在存在噪声的领域中也能适用。：在“测试与评分”组件中对比 CN2 规则归纳与决策树的性能。使用 CN2 算法从数据中归纳规则。：CN2 规则归纳仅适用于分类任务。
【字节跳动】数据挖掘面试题0013：怎么做男女二分类问题， 从抖音 app 提供的内容中。
kngines
07-08 1618
核心目标基于抖音内容特征（文本、视觉、音频、用户交互）预测目标受众性别（男/女二分类）。该任务本质上是监督学习问题，需依赖标注数据集。技术关键点数据层面：需融合多模态特征，尤其用户行为与视觉内容算法层面推荐Transformer+Attention的融合模型评估层面：关注F1-score及跨场景鲁棒性实施建议启动期：用朴素贝叶斯快速验证文本特征有效性成长期：引入视觉模型提升准确率（尤其对时尚/美妆类）成熟期：构建端到端多模态系统，结合实时用户反馈更新潜在风险。
Python 数据挖掘之数据探索
wh_xia_jun的专栏
07-13 329
在数据挖掘的流程中，数据探索是非常关键的第一步，它能帮助我们深入了解数据的特点，为后续的预处理和模型构建打下坚实的基础。我们主要围绕四个方面展开：数据对象与特征、数据统计描述、数据可视化以及相关性和相似性度量。
机器学习1
2301_80803503的博客
07-10 1053
获取数据、数据处理、特征工程后，就可以交给预估器进行机器学习，使用测试集对模型进行评估# 引入数据集# 引入KNN模型# 引入标准化工具# 引入数据集划分工具# 训练函数# 加载数据iris=load_iris() # 加载鸢尾花数据集x=iris.data # 鸢尾花的特征数据（x）y=iris.target # 鸢尾花的标签数据（y）# 数据集划分# 把训练数据进行数据标准化# 创建knn算法模型# 使用训练集训练模型# 使用测试集数据对模型进行评估。
AI产品经理面试宝典第1天：机器学习核心算法涉及的面试题与答法
打造全国最全的AI Agent开发知识领域的博客
07-11 420
本文以产品经理视角系统拆解机器学习核心算法，通过生活化案例解析监督学习、无监督学习等主流模型原理，直击面试高频考点，助你构建完整知识体系，轻松应对技术面挑战。
纯C++11实现！零依赖贝叶斯情感分析系统，掌握机器学习系统工程化的秘密！
最新发布
weixin_45715405的博客
07-14 44
本文详细介绍了基于C++11标准库实现的贝叶斯情感分析系统，重点剖析了其模块化架构和核心算法实现。系统采用零依赖设计，包含文本预处理、特征提取和朴素贝叶斯分类等完整流程。关键技术包括：1）高效稀疏向量数据结构；2）UTF-8中文字符检测与贪婪分词算法；3）情感分析优化的停用词策略；4）基于词频和文档频率的特征选择方法。该系统充分展示了C++标准库在机器学习任务中的潜力，兼顾性能和可移植性。
【机器学习】吴恩达机器学习课程代码作业-Python版本
fengdu78的博客
07-10 387
可以直接在github：https://github.com/fengdu78/Coursera-ML-AndrewNg-Notes下载。）的，现在有点过时了，我参考了几位大牛的代码，将作业改成了。版本一致，不能在线提交作业，仅用于学习。作业使用了原版数据，计算结果基本与。”可以下载Python代码作业。吴恩达老师的机器学习课程作业是。版本，并做了中文注释，推荐使用。
机器学习 YOLOv5手绘电路图识别 手绘电路图自动转换为仿真软件（如LT Spice）可用的原理图，避免人工重绘
论文数据分析辅导,；论文人工智能辅导 huazhongxiaosx
07-10 1119
本文提出了一种基于YOLOv5和霍夫变换的实时手绘电路图识别算法，实现从手绘图纸到可仿真原理图的自动转换。该方法通过YOLOv5检测元件（mAP 0.5达98.2%），结合霍夫变换和K-means聚类识别节点，最终完成电路重建（准确率80%，耗时0.33秒/张）。实验表明，相比传统方法，该方案在元件识别准确率（99%）和抗干扰性上更具优势。研究虽存在单支路元件限制，但为电路数字化提供了首个端到端实时解决方案。未来将扩展元件类型并优化节点匹配算法。
人工智能与机器学习暑期科研项目招募（可发表论文）
Magnolia_He的博客
07-09 698
华中科技大学博士研究生，研究方向深度学习与神经网络：卷积神经网络、循环神经网络、生成对抗网络等。自动化机器学习与元学习：自动化机器学习、元学习、神经架构搜索等。研究成果发表于（图像信息的计算机分析）（人工智能领域）（人工智能、神经科学相关领域）
Apache Cloudberry 向量化实践（三）重塑表达式构建路径：Gandiva 优化实战
m0_54979897的博客
07-11 347
无论是 SQL 中的投影、筛选，还是分区、聚合、排序，最终都需转化为底层执行引擎能识别和执行的表达式树。在未优化前，我们采用“逐表达式构建”的方式——每处理一条 SQL 表达式，就从头创建一棵新的表达式树。优化前的火焰图中，Gandiva::TreeExprBuilder::MakeExpression() 及其内部调用占据主火焰图的 30% 高度，显著吞噬 on‑CPU 资源。表达式构建常被认为是“编译期行为”，但在现代向量化系统中，它的性能表现直接影响执行链路的起跑速度。为何选 Gandiva？
深入理解机器学习
一起进步
07-11 1261
本文介绍了机器学习的基础概念和两类主要算法：有监督学习和无监督学习。在有监督学习中，重点讲解了KNN分类算法和线性回归的原理及应用，并通过电影分类和房价预测案例说明其实现过程。无监督学习部分阐述了KMeans聚类算法的工作原理，包括质心计算和轮廓系数等评估指标。文章强调机器学习模型的核心是通过算法从数据中寻找规律，最终实现对未知数据的预测或分类。随着AI发展，深度学习逐渐成为主流，但机器学习仍是重要基础。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

err2008

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值