哪种算法适用于遗传学重复数据？

Posted 2023-03-12

【中文标题】哪种算法适用于遗传学重复数据？

【英文标题】：Which algorithm is good for genetics duplicated data?

【发布时间】：2015-10-19 17:03:48

【问题描述】：

我的问题与为我的数据集找到最佳算法有关。

我的数据包含三列，即个人、疾病和测试分数（我有 50 个测试分数特征，但这里只提到了一个测试分数特征）。 我有 3000 个人，疾病特征的可能值是 disA、disB 和 disC，其中测试分数是离散变量。 疾病特征是我的类属性。

一个人最多可以患有三种不同的疾病，但只有一个测试分数值。 我的目标是根据疾病对考试成绩进行分类 （哪些考试成绩与哪种疾病有关） 但这里的问题是，如果一个人患有三种疾病，那么所有的考试成绩都将重复三次。 例如，对于单个 aa（包含所有 disA、disB 和 disC）测试分数为 12。然后分析文件将如下所示

individuals, Disease, Test Score
aa,disA,12,...
aa,disB,12,...
aa,disC,12,...

这将导致有偏见的分析。 是否有针对此类数据的任何数据挖掘算法或统计测试？ 我无法删除这些患者，因为它们是数据集的最高比例。

【问题讨论】：

您可以将此问题移至datascience.stackexchange.com

【参考方案1】：

为什么不将问题重新定义为从测试分数到疾病集的一步映射？使用您的示例，下面的第一行数据显示“aa”患有所有疾病，而“bb”仅患有 A 疾病。

individuals, DiseaseA, DiseaseB, DiseaseC, Test Score
aa,true,true,true,12
bb,true,false,false,10

【讨论】：

我是这个领域的新手。但我有点担心这次重铸。例如，如果我有很多人喜欢 aa（所有疾病都如此），那么疾病 A、B 和 C 变量之间不会有显着差异。

【参考方案2】：

我会使用 reshape 包中描述的 Hadley Wickham 设计的以下格式：

http://had.co.nz/reshape/

http://www.jstatsoft.org/v21/i12

例子：

individuals, variable, value
aa,disease,disA
aa,disease,disB
aa,disease,disC
aa,testscore,12