-Penalized Regression with Penalty Factors for Prediction Based on Multi-Omics Data "> 图2 | IPF-LASSO:综合处罚与惩罚因素回归预测基于Multi-Omics数据 - raybet雷竞app,雷竞技官网下载,雷电竞下载苹果
研究文章

IPF-LASSO:综合 惩罚与惩罚因素回归预测基于Multi-Omics数据

图2

面板(a)、(b)和(c):不同 IPF-LASSO AUC的中位数和中位数之间的AUC标准套索(红点)和IPF-LASSO AUC的中位数和中位数之间的AUC西格里碳素集团(黑色点)对模拟参数。一个积极的IPF-LASSO表明更好的性能的差异。散点图上的每个点代表一个6 + 33 = 39仿真设置。面板(一个): 对绝对差 相关变量的比例之间的两种形式。面板(b): 对真正的模型的大小 。面板(c): 对模式的相对大小的测量: / 。面板(d):中位数IPF-LASSO选定变量的数量,标准的套索,西格里碳素集团。每个箱线图表示获得的值 设置。
(一)
(b)
(c)
(d)