Yapabileceğiniz şey, burada vcd'nin artık gölgelendirme fikirlerini, örneğin bu kitap bölümünün 49. sayfasında olduğu gibi, seyrek matris görselleştirmesiyle birlikte kullanmak . İkinci arsa artık gölgelendirme ile düşünün ve fikir olsun.
Seyrek matris / bitişik tablo normalde her bir ilacın her bir ters etkide meydana gelme sayısını içerir. Bununla birlikte, artık gölgelendirme fikri ile, temel log log lineer bir model oluşturabilir (örneğin, bir bağımsızlık modeli veya ne istersen) ve hangi ilaç / etki kombinasyonunun modelin öngördüğünden daha sık / daha az meydana geldiğini bulmak için renk şemasını kullanabilirsiniz. . Birçok gözlem sahip olduğundan, çok ince bir renk eşikleme kullanmak ve küme analizinde mikroarray'ler görselleştirilmiş örneğin genellikle nasıl benzeyen bir harita alabilir burada(ama muhtemelen daha güçlü renk "gradyanlar" ile). Veya eşikleri, yalnızca gözlemlerdeki gözlemler arasındaki farkların renklendirilenden daha fazla eşiği geçmesi ve gerisi beyaz kalacaktır. Bunu tam olarak nasıl yapacaksınız (örneğin, hangi modeli kullanacağınız veya hangi eşikleri) sorularınıza bağlıdır.
Düzenleme
İşte burada nasıl yaparım (yeterli RAM varsa ...)
- İstenilen boyutlarda seyrek bir matris oluşturun (ilaç adları x etkileri)
- Artıkları bağımsızlık loglinear modelinden hesaplayın
- Minimum çözünürlükten maksimum kalıntıya kadar ince çözünürlükte bir renk gradyanı kullanın (örn. Bir hsv renk boşluğu ile)
- Kalıntı büyüklüğünün renk değerini, seyrek matristeki uygun konuma yerleştirin.
- Matrisi bir görüntü grafiği ile çizin.
Daha sonra böyle bir şeyle bitiyorsunuz (tabii ki resminiz çok daha büyük olacak ve piksel boyutu çok daha düşük olacak ancak fikir edinmelisiniz. Renklerin zekice kullanılmasıyla, bağımsızlıktan dernekleri / ayrılmaları görselleştirebilirsiniz. meraklı).
100x100'lük bir matrisle hızlı ve kirli bir örnek. Bu sadece efsanede görebileceğiniz gibi -10 ila 10 arasında kalan artıkları içeren bir oyuncak örneğidir. Beyaz sıfır, mavi beklenenden daha az sıklıkta, kırmızı beklenenden daha sık görülür. Fikri yakalayabilmeli ve oradan alabilmelisin. Düzenleme: Arsa kurulumu ve şiddet içermeyen renkler kullandım.
Bu, image
işlev kullanılarak ve cm.colors()
aşağıdaki işlevde yapıldı:
ImagePlot <- function(x, ...){
min <- min(x)
max <- max(x)
layout(matrix(data=c(1,2), nrow=1, ncol=2), widths=c(1,7), heights=c(1,1))
ColorLevels <- cm.colors(255)
# Color Scale
par(mar = c(1,2.2,1,1))
image(1, seq(min,max,length=255),
matrix(data=seq(min,max,length=255), ncol=length(ColorLevels),nrow=1),
col=ColorLevels,
xlab="",ylab="",
xaxt="n")
# Data Map
par(mar = c(0.5,1,1,1))
image(1:dim(x)[1], 1:dim(x)[2], t(x), col=ColorLevels, xlab="",
ylab="", axes=FALSE, zlim=c(min,max))
layout(1)
}
#100x100 example
x <- c(seq(-10,10,length=255),rep(0,600))
mat <- matrix(sample(x,10000,replace=TRUE),nrow=100,ncol=100)
ImagePlot(mat)
Buradan fikirlerin kullanımı http://www.phaget4.org/R/image_matrix.html . Eğer matrisiniz image
fonksiyonun yavaşlayacağı kadar büyükse , useRaster=TRUE
argümanı kullanın (seyrek Matrix nesnelerini de kullanmak isteyebilirsiniz;image
kodu yukarıdan kullanmak istiyorsanız yöntem olması sparseM paketine bakın.)
Bunu yaparsanız, satır / sütunların bazı akıllı sıralamaları kullanışlı olabilir, bu da arules paketiyle hesaplayabilirsiniz (sayfa 17 ve 18 ya da öylesine kontrol edin). Genellikle bu tür bir veri ve problem için arules hizmetlerini öneririm (sadece görselleştirme değil, aynı zamanda modelleri bulma). Ayrıca, artık gölgelendirme yerine kullanabileceğiniz seviyeler arasındaki ilişki ölçütlerini bulacaksınız.
Ayrıca, daha sonra sadece birkaç yan etkiyi araştırmak istediğiniz tablolara bakmak isteyebilirsiniz.