复现GMM文章（七）：附图2代码和数据

最新推荐文章于 2024-07-19 14:20:47 发布
最新推荐文章于 2024-07-19 14:20:47 发布
阅读量182 收藏 5
点赞数 8
分类专栏： 复现文章 文章标签： r语言 数据可视化
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.csdn.net/H20230717/article/details/140517659
版权

介绍

附图2代码

导入R包

library(tidyverse)
library(ggpubr)
library(ggplot2)
library(ggrepel)
library(patchwork)

Figure S2A

load('01_data/plot_data/FS2A.RData')

stat.test <- compare_means(
  auprc~group1,data = auc_self, 
  # group.by = "level",
  method = "wilcox.test") %>% 
  mutate(y.position = seq(from=1.05, to=1.65,length.out=10))
x <- stat.test$p.adj
stat.test$p.adj.signif <- ifelse(x<0.05, ifelse(x<0.01, ifelse(x<0.001, ifelse(x<=0.0001, '****','***'),'**'),'*'),'ns')

p1 <- ggboxplot(auc_self, x = "group1", y = "auprc", fill = "group1",
                palette = "jco",width = 0.2)+ 
  theme_bw() +
  ylim(0.15,1.68)+
  theme(legend.position="none")+    
  ylab("Internal AUPRC")+xlab('')+
  ggtitle('Disease category')+
  theme(axis.text.x=element_text(angle=20, hjust=0.8,face = 'plain',size=13),
        text = element_text(size=13,face = 'plain',family ='',colour = 'black'))+
  stat_pvalue_manual(stat.test,label = "p.adj.signif")

p1

load('01_data/plot_data/F1E.RData')

stat.test <- compare_means(
  auprc~level,data = self.e, 
  # group.by = "level",
  method = "wilcox.test") %>% 
  mutate(y.position = seq(from=1.2, to=1.65,length.out=3))
x <- stat.test$p.adj
stat.test$p.adj.signif <- ifelse(x<0.05, ifelse(x<0.01, ifelse(x<0.001, ifelse(x<=0.0001, '****','***'),'**'),'*'),'ns')

p2 <- ggboxplot(self.e, x = "level", y = "auprc", fill = "level",
                width = 0.2,palette = c('#774ec7','#bd93cc','#a2c4b1'))+
  theme_bw() +
  ylim(0.15,1.68)+
  theme(legend.position="none")+    
  ylab("Internal AUPRC")+xlab('')+
  ggtitle('Data type')+
  theme(axis.text.x=element_text(angle=20, hjust=0.8,face = 'plain',size=13),
        text = element_text(size=13,face = 'plain',family ='',colour = 'black')) + 
  stat_pvalue_manual(stat.test,label = "p.adj.signif")

p2

pA <- ggarrange(p1,p2,
             ncol = 2, nrow = 1,
             widths = c(4,3))
pA

在这里插入图片描述

Figure S2B

load('01_data/plot_data/FS2B.RData')

stat.test <- compare_means(
  auprc~group1,data = auc_self, 
  # group.by = "level",
  method = "wilcox.test") %>% 
  mutate(y.position = seq(from=1.05, to=1.65,length.out=10))
x <- stat.test$p.adj
stat.test$p.adj.signif <- ifelse(x<0.05, ifelse(x<0.01, ifelse(x<0.001, ifelse(x<=0.0001, '****','***'),'**'),'*'),'ns')

p1 <- ggboxplot(auc_self, x = "group1", y = "auprc", fill = "group1",
                palette = "jco",width = 0.2)+ 
  theme_bw() +
  ylim(0.15,1.68)+
  theme(legend.position="none")+    
  ylab("External AUPRC")+xlab('')+
  ggtitle('Disease category')+
  theme(axis.text.x=element_text(angle=20, hjust=0.8,face = 'plain',size=13),
        text = element_text(size=13,face = 'plain',family ='',colour = 'black'))+
  stat_pvalue_manual(stat.test,label = "p.adj.signif")

p1

load('01_data/plot_data/F1E.RData')

stat.test <- compare_means(
  auprc~level,data = self.e, 
  # group.by = "level",
  method = "wilcox.test") %>%
  mutate(y.position = seq(from=1.2, to=1.65,length.out=3))
x <- stat.test$p.adj
stat.test$p.adj.signif <- ifelse(x<0.05, ifelse(x<0.01, ifelse(x<0.001, ifelse(x<=0.0001, '****','***'),'**'),'*'),'ns')

p2 <- ggboxplot(self.e, x = "level", y = "auprc", fill = "level",
                width = 0.2,palette = c('#774ec7','#bd93cc','#a2c4b1'))+
  theme_bw() +
  ylim(0.15,1.68)+
  theme(legend.position="none")+    
  ylab("External AUPRC")+xlab('')+
  ggtitle('Data type')+
  theme(axis.text.x=element_text(angle=20, hjust=0.8,face = 'plain',size=13),
        text = element_text(size=13,face = 'plain',family ='',colour = 'black'))+
  stat_pvalue_manual(stat.test,label = "p.adj.signif")

p2

pB <- ggarrange(p1,p2,
             ncol = 2, nrow = 1,
             widths = c(4,3))
pB

在这里插入图片描述

Figure S2C

load('01_data/plot_data/FS2C.RData')

stat.test <- compare_means(
  mcc~group1,data = auc_self, 
  method = "wilcox.test") %>%
  mutate(y.position = seq(from=0.9, to=1.65,length.out=10))
x <- stat.test$p.adj
stat.test$p.adj.signif <- ifelse(x<0.05, ifelse(x<0.01, ifelse(x<0.001, ifelse(x<=0.0001, '****','***'),'**'),'*'),'ns')

p1 <- ggboxplot(auc_self, x = "group1", y = "mcc", fill = "group1",
                palette = "jco",width = 0.2)+ 
  ylab("Internal MCC")+xlab('')+
  ggtitle('Disease category')+
  theme_bw() +
  theme(legend.position="none")+
  theme(axis.text.x=element_text(angle=20, hjust=0.8,face = 'plain',size=13),
        text = element_text(size=13,face = 'plain',family ='',colour = 'black'))+
  stat_pvalue_manual(stat.test,label = "p.adj.signif")

p1

load('01_data/plot_data/F1E.RData')

stat.test <- compare_means(
  mcc~level,data = self.e, 
  # group.by = "level",
  method = "wilcox.test") %>%
  mutate(y.position = seq(from=1.2, to=1.65,length.out=3))
x <- stat.test$p.adj
stat.test$p.adj.signif <- ifelse(x<0.05, ifelse(x<0.01, ifelse(x<0.001, ifelse(x<=0.0001, '****','***'),'**'),'*'),'ns')

p2 <- ggboxplot(self.e, x = "level", y = "mcc", fill = "level",
                width = 0.2,palette = c('#774ec7','#bd93cc','#a2c4b1'))+
  theme_bw() +
  theme(legend.position="none")+    
  ylab("Internal MCC")+xlab('')+
  ggtitle('Data type')+
  theme(axis.text.x=element_text(angle=20, hjust=0.8,face = 'plain',size=13),
        text = element_text(size=13,face = 'plain',family ='',colour = 'black'))+
  stat_pvalue_manual(stat.test,label = "p.adj.signif")

p2

pC <- ggarrange(p1,p2,
             ncol = 2, nrow = 1,
             widths = c(4,3))
pC

在这里插入图片描述

Figure S2D

load('01_data/plot_data/FS2D.RData')

stat.test <- compare_means(
  mcc~group1,data = auc_self, 
  # group.by = "level",
  method = "wilcox.test") %>% 
  mutate(y.position = seq(from=0.9, to=1.65,length.out=10))
x <- stat.test$p.adj
stat.test$p.adj.signif <- ifelse(x<0.05, ifelse(x<0.01, ifelse(x<0.001, ifelse(x<=0.0001, '****','***'),'**'),'*'),'ns')

p1 <- ggboxplot(auc_self, x = "group1", y = "mcc", fill = "group1",
                palette = "jco",width = 0.2)+ 
  ylab("External MCC")+xlab('')+
  ggtitle('Disease category')+
  theme_bw() +
  theme(legend.position="none")+
  theme(axis.text.x=element_text(angle=20, hjust=0.8,face = 'plain',size=13),
        text = element_text(size=13,face = 'plain',family ='',colour = 'black')) +
  stat_pvalue_manual(stat.test,label = "p.adj.signif")

p1

load('01_data/plot_data/F1E.RData')

stat.test <- compare_means(
  mcc~level,data = self.e, 
  # group.by = "level",
  method = "wilcox.test") %>%
  mutate(y.position = seq(from=1.2, to=1.65,length.out=3))
x <- stat.test$p.adj
stat.test$p.adj.signif <- ifelse(x<0.05, ifelse(x<0.01, ifelse(x<0.001, ifelse(x<=0.0001, '****','***'),'**'),'*'),'ns')

p2 <- ggboxplot(self.e, x = "level", y = "mcc", fill = "level",
                width = 0.2,palette = c('#774ec7','#bd93cc','#a2c4b1'))+
  theme_bw() +
  theme(legend.position="none")+    
  ylab("External MCC")+xlab('')+
  ggtitle('Data type')+
  theme(axis.text.x=element_text(angle=20, hjust=0.8,face = 'plain',size=13),
        text = element_text(size=13,face = 'plain',family ='',colour = 'black'))+
  stat_pvalue_manual(stat.test,label = "p.adj.signif")
p2

pD <- ggarrange(p1,p2,
             ncol = 2, nrow = 1,
             widths = c(4,3))
pD

在这里插入图片描述

生信学习者2
关注
  • 8
    点赞
  • 踩
  • 5
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 0
    评论
专栏目录
stata面板数据gmm回归_GMM的stata操作步骤
weixin_42373893的博客
12-28 1万+
GMM的stata操作步骤广义矩估计(GeneralizedMethodofMoments，即GMM)一、解释变量内生性检验首先检验解释变量内生性(解释变量内生性的Hausman检验：使用工具变量法的前提是存在内生解释变量。Hausman检验的原假设为：所有解释变量均为外生变量，如果拒绝，则认为存在内生解释变量，要用IV；反之，如果接受，则认为不存在内生解释变量，应该使用OLS。regld...
stata面板数据gmm回归_stata面板数据回归操作之GMM
热门推荐
weixin_42353186的博客
12-28 1万+
新手面板数据回归之GMM 的 stata 操作步骤广义矩估计( Generalized Method of Moments 即 GMM )原理就是回归！就是一种高级点的回归！我也是新手，也有很多不太懂的地方。断断续续学习了两个月，看了很多文献和公众号拼凑整理的，放到这里就是大家可以一起修正和补充。数据情况：样本：31个省份的面板数据年份：2009-2016年 八年数据因变量Y自变量：八个X一、数据...
机器学习模型对比:无监督学习:Meanshift+DBSCAN+GMM 和 监督学习:KNN(附代码数据集)
ABin_203的博客
04-29 2652
目录数据集无监督学习MeanshiftDBSCANGMM有监督学习KNN综合对比 数据集 继上次的图像聚类后，这次准备对比有监督学习的聚类和无监督学习的聚类，以及无监督学习聚类中，对比在低维度且简单分布的数据中，各个模型的聚类效果。 首先附上数据集： 链接：https://pan.baidu.com/s/1LNu8toOmGXVz9b7t2Ah-6A 提取码：6fwb 这次数据集很简单，就是150...
stata面板数据gmm回归_gmm的stata操作步骤
weixin_39759589的博客
12-18 2966
STATA面板数据模型操作命令讲解_计算机软件及应用_IT/计算机_专业资料。STATA 面板数据模型估计命令一览表 一、静态面板数据的 STATA 处理命令 y x it i it it ......STATA面板数据模型操作命令_调查/报告_表格/模板_实用文档。.. . . .. STATA 面板数据模型估计命令一览表 一、静态面板数据的 STATA 处理命令 y ? x ? ? ?...G...
stata面板数据gmm回归_GMM估计的Stata操作流程
weixin_39610964的博客
12-18 6588
原标题：GMM估计的Stata操作流程 一、解释变量内生性检验首先检验解释变量内生性(解释变量内生性的Hausman 检验：使用工具变量法的前提是存在内生解释变量。Hausman 检验的原假设为：所有解释变量均为外生变量，如果拒绝，则认为存在内生解释变量，要用IV；反之，如果接受，则认为不存在内生解释变量，应该使用OLS。reg ldi lofdiestimates store olsxtivre...
matlab gmm,GMM聚类及Matlab代码实现
weixin_42175776的博客
03-18 1419
算法特点GMM聚类与Keams聚类很相似。K-means是将每个数据点分配到某一个类别中，而GMM则是给出这些数据点被分配到每个类别的概率，又叫做soft assignment。其除了被用在clustering上，还经常被用于density estimation上。得出一个概率有很多的好处，因为它的信息量比简单的一个结果要多。这个概率可以被看做是得出这个结果的把握。比如说，在诸如疾病诊断时，算法得...
stata面板数据gmm回归_动态面板数据的System-GMM回归分析步骤
weixin_39732027的博客
12-18 4678
1.对数据进行平减，去除价格变化的影响，经常用到的方法用居民消费价格指数进行平减，有两种情况：(1)以1978年为基期的，如果就是以1978年为基期可以直接用统计年鉴里相应指标的数据除以居民消费价格指数；(2)如果不是还得再换算，例以1985年为基期，就是把1985=100，即1986年的居民消费价格指数(CPI)除以1985年的，同理，1990年的CPI除以1985年的CPI，用相应指标的值除以...
gmm聚类python_GMM-实现聚类的代码示例
weixin_32283253的博客
02-06 1707
Matlab 代码：% GMM codefunction varargout = gmm(X, K_or_centroids)% input X:N-by-D data matrix% input K_or_centroids: K-by-D centroids% 阈值threshold = 1e-15;% 读取数据维度[N, D] = size(X);% 判断输入质心是否为标量if isscal...
基于高斯混合模型GMM的数据生成方法研究（Matlab代码实现）
weixin_66436111的博客
04-25 756
高斯混合模型（Gaussian Mixture Model，简称GMM）是一种统计模型，用于对数据集进行建模，假设数据是由多个高斯分布组合而成的。GMM 可以用于数据生成、聚类、密度估计等任务。要研究基于 GMM 的数据生成方法，你可以按照以下步骤进行：1. **理解高斯混合模型（GMM）**：首先，深入了解高斯混合模型的原理。GMM 假设数据集中的每个数据点都是由多个高斯分布组合而成的。这些高斯分布的参数包括均值和协方差。2. **模型参数估计**：学习如何从数据中估计 GMM 的参数。
机器学习GMM-EM算法(数据:iris)
05-12
总结起来，这个压缩包包含的内容是关于使用Python编程语言，通过Iris数据集来演示和理解机器学习中的GMM-EM算法，包括数据预处理、模型训练、结果分析和报告编写等方面，是学习和实践机器学习分类算法的一个实例。
GMM_matlab_数据拟合_gmmmatlab_
09-29
在提供的压缩包文件中，"GMM"可能包含实际的MATLAB代码示例，包括数据生成和模型拟合的脚本。通过研究这些代码，可以更深入地理解GMM在MATLAB中的实现细节。总之，MATLAB提供了一套完整的工具，使得研究者和工程师...
MATLAB用拟合出的代码绘图-gmm-mml:gmm-mml
05-21
MATLAB用拟合出的代码绘图有限高斯混合模型的无监督学习 参考 MAT Figueiredo和AK Jain，“有限混合模型的无监督学习”，在IEEE Transactions on Pattern Analysis and Machine Intelligence，vol。1中。 24号3，第...
gmm的matlab代码-project-SID-GMM-UBM:项目SID-GMM-UBM
05-26
project-SID-GMM-UBM＃此软件包包含Matlab代码和Python代码## 1。如果不使用我们的数据集，请使用三个pyfile预处理数据集。 ## 2。VocalSeparation软件包用于人声提取## 3.Datasets软件包包含mir1k采样率为16kHz，...
Ziheng_GMM.zip:大维数据的高斯混合模型-matlab开发
06-01
总的来说，这个MATLAB实现的GMM代码可以帮助我们理解GMM的工作原理，并在大维数据集上进行聚类和分析。通过阅读和运行这些代码，我们可以深入学习如何在实践中应用GMM，以及如何处理与高维数据相关的挑战。同时，这...
科研绘图系列：R语言饼图（pie chart）
H20230717的博客
07-17 669
科研绘图系列：R语言饼图（pie chart）
Bubbliiiing 的 Retinaface rknn python推理分析
gaoxukkk888的博客
07-18 991
使用的是Bubbliiiing的深度学习教程-Pytorch 搭建自己的Retinaface人脸检测平台的模型，下面是项目的Bubbliiiing视频讲解地址以及源码地址和博客地址；作者的项目讲解视频：https://www.bilibili.com/video/BV1yK411K79y/?项目源码地址：https://github.com/bubbliiiing/retinaface-pytorch。
RoCE（RDMA over Converged Ethernet）网络速率测试工具
最新发布
格物智慧SkyPhy
07-19 352
在GPU集群环境中，特别是对于采用NVIDIA GPU的系统，NCCL（NVIDIA Collective Communications Library）提供了用于测试包括RoCE在内的高速网络互联性能的工具。进行RoCE网络速率测试时，选择合适的工具取决于具体的测试需求、网络环境以及是否需要支持特定的测试场景或功能。PerfTest套件也提供了对RoCE性能的测试功能，允许用户配置不同的测试场景，如带宽测试、延迟测试等，以全面评估RoCE网络的性能。
Nature子刊 | ATAC-seq、RNA-seq和蛋白组联合分析揭示脂质激活转录因子PPARα在肾脏代偿性肥大的作用机制
Igenebook的博客
07-19 1084
在这篇文章中，作者为了探究肾脏代偿性肥大的信号机制，构建了单侧肾切除的小鼠模型，通过三种不同的组学方法（ATAC-seq、RNA-seq 和蛋白质组学），鉴定了转录因子PPARα可能在肾脏代偿性肥大的过程中发挥重要的调节作用，肾脏中内源性PPARα配体水平的显著增加，可能是PPARα激活的潜在机制，接着通过在小鼠体内进行PPARα激动剂处理和基因敲除进行验证，证明了PPARα是近端小管细胞大小的重要调节因子。图1.单侧肾切除术（UNx）后的代偿性肥大发生迅速，主要是由于近端小管中细胞体积的增加。
R语言进行K折交叉验证问题
2301_76574743的博客
07-17 378
【代码】R语言进行K折交叉验证问题。错误: C5.0 models require a factor outcome > (1-mean(E0));(1-mean(E1))

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
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

生信学习者2

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