آنها به خصوص در یک برنامه آماری در دسترس هستند . با این حال , متاسفانه , من فکر میکنم که ممکن است من تنها کسی باشم که با استفاده از آنها در این نوع از تحقیقات از آنها استفاده میکند . آنها در مناطق دیگر مورد استفاده قرار میگیرند , اما من امیدوارم که افراد بتوانند این توزیع مدل نامتوازن را در زمانی که واقعا فکر میکنند که خوشههای زیرین ممکن است به طور مورب پیروی کنند , در نظر بگیرند . دومین چیزی که من بر روی آن کار کردم این است که الگوریتم انتخاب متغیر جدید را توسعه دهیم , اما به طور خاص از الگوریتمهای انتخاب متغیری که خودشان , براساس توزیعهای دهگانه اساسی هستند , میخواهم . و در داخل آن دو الگوریتم را توسعه دادم . اولی برای نشان دادن مجموعهای از متغیرها برای خوشهبندی استفاده میشود , اما به طور خاص , من متغیرهایی را میخواهم که برای خوشهبندی نامتوازن مفید هستند , و این الگوریتم به طور کامل از نوع داده صرفنظر میکند . بنابراین برای مثال my , شما میتوانید از این الگوریتم در تمام 70 متغیر برای انتخاب زیرمجموعهای از thats مفید برای خوشهبندی نامتوازن استفاده کنید , یا میتوانید این الگوریتم را در متغیرهای گزارش خود , درون متغیرهای actigraphy , در متغیرهای polysomnography اعمال کنید , تا ببینیم راهحلهای مختلف خوشهبندی پدید میآیند , و سپس میتوانید آن را مقایسه کنید. این میتواند اطلاعات جالبی درباره ناهماهنگی در نمونه شما فراهم کند , و اینکه چگونه این تفاوتها بسته به ابزاری که برای جمعآوری دادهها استفاده میکنید , تغییر میکند . الگوریتم دوم که من توسعه دادم , من دوست دارم فکر کنم کمی بیشتر از لحاظ بالینی شهودی است , و این الگوریتم براساس این ایده است که شما میتوانید چندین مجموعه از متغیرهای plausible مختلف را در آرایه شما از تمام متغیرهای مورد نظر داشته باشید , و علاوه بر این , من میخواهم مجموعهای از متغیرها را داشته باشم که حداقل یکی از انواع دادهها را در نظر بگیرید که به آنها علاقهمند هستند . بنابراین , در مورد من , با دادههای AgeWise , حداقل یک گزارش خود - actigraphy , و متغیر polysomnography خواهد بود . این اسلاید نشان میدهد که وقتی من اولین الگوریتم را اعمال کردم که به طور کامل از نوع داده صرفنظر میکند , سه متغیر polysomnography را شناسایی کرد . و من فکر میکنم این واقعا مهم است که برجسته شود چون , anecdotally , چیزی که من متوجهشدهام این است که افراد تمایل دارند در داخل یک نوع داده بهتر دستهبندی شوند, نه از طریق یک نوع داده . بنابراین این الگوریتم تنها سه متغیر polysomnography را انتخاب کرد , حتی اگر میتوانست سایر انواع داده را نیز انتخاب کند . سپس با استفاده از این سه متغیر , من یک مدل خوشهبندی نامتوازن را برازش میکنم , و میبینیم که چهار خوشه را اساسا براساس میزان خواب دلتا شناسایی کردیم که به طور کامل به تشخیص بیخوابی گزارششده مربوط بودند . این اسلاید , متغیرهایی را نشان میدهد که زمانی که از الگوریتم دوم که من مورد بحث قرار گرفتم , انتخاب شدند , همانی که در واقع نوع داده را در نظر میگیرد و یکی از هر نوع داده را برای استفاده در مدل خوشهبندی بکار میبرد . در اینجا پنج متغیر انتخاب شدند , و چیزی که من میخواهم در اینجا برجسته کنم این است که سه مورد از آن پنج متغیر زمان خواب یا دقایق خواب بودند , اما این براساس هر دو گزارش خود - actigraphy , and و polysomnography بود . بنابراین من احساس میکنم که هر سه این سه متغیر تاخیر خواب برای آشکار کردن ناهماهنگی در نمونه مورد استفاده قرار میگیرند , و برای شناسایی این گروهها , به من نشان میدهد که ممکن است در تحقیقات آینده چیزی وجود داشته باشد , زمانی که تلاش میکنیم مکانیزمهای بیماری و درمانهای جدیدی را که میتوانیم توسعه دهیم , بررسی کنیم . از لحاظ کار آینده , من امیدوارم کدی که برای انجام این الگوریتم نوشته بودم را بسازم , امیدوارم که بتوانم آن را در دسترس قرار دهم , اما هنوز کاملا آنجا نیستیم .
منبع سایت