三种数据缺失下高维数据的变量筛选方法比较——基于数据模拟实验及基因选择实证

声明

摘要

1．1．1 变量筛选

1．1．2 缺失数据

1．1．3 现有高维缺失数据处理方法在实践中的缺陷

1．2 研究目的与意义

1．3 本文的可能创新点与不足

第二章 低秩矩阵补全方法(Low-rank Matrix Completion)

2．1 低秩矩阵补全的原理与思路

2．2 快速迭代最小平方SVD方法简介

2．3 矩阵补全在高维缺失数据变量筛选中的应用

2．4 低秩矩阵补全法应用于在高维缺失数据变量筛选中的缺陷

第三章 GLASSO在高维缺失数据回归中的应用

3．1 高斯图模型

3．2 高斯图模型在多元线性回归中的应用

3．3 L1惩罚似然高斯图模型(GLASSO)

3．4 MissGLasso模型

第四章 三种方法的计算步骤及数据模拟试验比较

4．1 计算步骤

4．1．1 低秩矩阵补全填补后筛选方法计算过程

4．1．2 MissGLasso填充方法计算过程

4．1．3 MissGLasso2stage方法计算过程

4．2 低秩矩阵补全填补方法与MissGLasso模型方法的数据模拟比较

4．3 对比较结果的分析及三种方法优劣势

4．3．1 MissGLasso填充方法

4．3．2 MissGLasso2stage方法

4．3．3 低秩矩阵补全填补法

5．1 基因微阵列谱数据

5．2 基因微阵列谱数据获取

5．3 数据处理及实证结果

第六章 结论与展望

6．1 结论

6．2 展望

参考文献

致谢