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6
乳腺癌数据。(a)集成的荆棘与IPF-LASSO分数获得不同的选择惩罚因素。相关的数据点的数量选择临床和分子变量,分别。例如,“(3-18)”表示惩罚因素所选模型包括3临床变量和18分子变量。(b)的负偏似然参数对于不同的惩罚因素。曲线的颜色的颜色对应点(a)。
| (一) |
| (b) |
-Penalized Regression with Penalty Factors for Prediction Based on Multi-Omics Data ">