i dataset del corso
studentiannoscorso.txt
vaevt.txt
swelling.txt
tubi.txt
bibliografia
Facoltà di Medicina e Chirurgia a.a. 2009-2010
Corso di Laurea Magistrale in Biotecnologie Mediche
Corso Integrato di Innovazione Biotecnologica
Analisi Multivariata dei Dati Sperimentali
Ulteriori argomenti di statistica di base
- cosa intendiamo con i termini di sensibilità, specificità e valori predittivi di un test diagnostico?
- nel dataset studenti, possiamo dedurre il genere partendo dalla statura?
library(ROCR)
www <- "http://www.dmi.units.it/~borelli/medici/studentiannoscorso.txt"
dataset <- read.table( www , header = TRUE )
attach(dataset)
par( mfrow = c(1,2) )
hist( statura [genere =="m"] , col = "lightblue", main = "m")
hist( statura [genere =="f"] , col = "pink" , main = "f")
par( mfrow = c(1,1) )
predizione <- prediction( statura, genere )
risultato <- performance( predizione , "sens", "spec")
plot( risultato , colorize=TRUE )
- un esempio di funzione
migliore_cut_off <- function(perf)
{ Posizione_cut_off <- which((risultato@x.values[[1]]-
risultato@y.values[[1]])==min((risultato@x.values[[1]]-
risultato@y.values[[1]])[risultato@x.values[[1]]-risultato@y.values[[1]]>0]))
return(risultato@alpha.values[[1]][Posizione_cut_off]) }
migliore_cut_off(risultato)
- controlliamo
- un'ulteriore possibilità: il plot della densità di probabilità condizionata
Primo "compito per casa" da inviarmi per posta. Indicate nell'oggetto: Cognome 1 (es. Borelli 1) Considerate il dataset vaevt.txt ed indagate se è possibile trovare dei cut-off su basale, ventiquattro o quarantotto in modo tale da ottenere un predittore ragionevolmente affidabile per outcome (ricordando che ciò che si vuole evitare è l'evento infausto outcome == "0" ). |
Analisi esplorativa dei dati e Data Quality Assessment
- visualizzare i dataset
- i comandi plot e pairs
- il conditioning plot
coplot( scarpe ~ statura | peso, panel = function(x,y,col, pch) panel.smooth(x,y,span = 1))
- cosa dice Philip Good
- creiamo un "four plot"
.dataset <- statura
par(mfrow = c(2,2))
.time <- 1:length(.dataset)
plot( .time , .dataset)
.reg <- lm(.dataset ~ .time)
abline ( .reg , lty = 3)
summary(.reg)$coefficients[8]
plot ( .dataset[-1] , .dataset[ - length(.dataset)])
abline(coef = c(0,1) , lty = 3)
hist ( .dataset )
qqnorm(.dataset)
qqline(.dataset)
par(mfrow = c(1,1))
rm(.dataset)
- proviamo a visualizzare il "four plot" usando dati simulati runif, rnorm, rbinom
detach(dataset)
- relax: scoprite il meraviglioso mondo di GGobi
