Scientific Information Database (SID) - Trusted Source for Research and Academic Resources

مقاله مقاله نشریه

مشخصات مقاله

مرکز اطلاعات علمی Scientific Information Database (SID) - Trusted Source for Research and Academic Resources

نسخه انگلیسی

Scientific Information Database (SID) - Trusted Source for Research and Academic Resources

video

Scientific Information Database (SID) - Trusted Source for Research and Academic Resources

sound

Scientific Information Database (SID) - Trusted Source for Research and Academic Resources

نسخه انگلیسی

Scientific Information Database (SID) - Trusted Source for Research and Academic Resources

بازدید:

391
Scientific Information Database (SID) - Trusted Source for Research and Academic Resources

دانلود:

452
Scientific Information Database (SID) - Trusted Source for Research and Academic Resources

استناد:

اطلاعات مقاله نشریه

عنوان

بهینه سازی پارامترهای روش های یادگیری ماشین بر ارزیابی ژنومی صفات گسسته دودویی با در نظر گرفتن ساختار جمعیت و توزیع های متفاوت فنوتیپ در جمعیت مرجع

صفحات

 صفحه شروع 113 | صفحه پایان 124

چکیده

 تنظیم اولیه و بهینه سازی پارامترهای ورودی روش های یادگیری ماشین گامی اساسی جهت دستیابی به حداکثر صحت پیش بینی ژنومی می باشد. در این تحقیق, جمعیت های ژنومی برای سطوح مختلف وراثت پذیری (05/0 و 2/0), عدم تعادل پیوستگی (پایین و بالا) و تعداد متفاوت جایگاه صفات کمی (200 و 600) بر روی 29 کروموزوم شبیه سازی شد. جهت ایجاد نسبت های مختلف فنوتیپ آستانه ای دودویی, فنوتیپ افراد جمعیت مرجع وابسته به اینکه باقی مانده آنها کمتر از ē-1SDe (رویکرد اول) یا 50 درصد افراد جمعیت (رویکرد دوم) باشد کد یک (فنوتیپ نامطلوب) و سایر حیوانات کد صفر (فنوتیپ مطلوب) اختصاص داده شد. برای بهینه سازی پارامترهای ورودی مدل, سطوح مختلف تعداد SNP نمونه گیری شده (100, 1000 و 2000=mtry), تعداد بوت استراپ (500, 1000 و 2000=ntree) و حداقل اندازه گره پایانی (1 و 5=node size) برای جنگل تصادفی و سطوح مختلف تعداد درخت (100, 1000 و 2000=ntree), عمق درخت (1, 5 و 10=tc) و نرخ یادگیری (1/0 و 05/0=lc) برای Boosting در نظر گرفته شد. کمترین میزان خطای خارج از کیسه برای mtry برابر با 2000, ntree برابر با 1000 و node size برابر با 1 و کمترین خطای اعتبارسنجی در روش Boosting برای ntree, tc و lr به ترتیب 1000, 10 و 05/0 مشاهده شد. صحت پیش بینی ژنومی روش های جنگل تصادفی و Boosting با کاهش فنوتیپ نامطلوب (رویکرد اول) افزایش یافت. بطور کلی در تمام سناریوها روش Boosting عملکرد بهتری نسبت به روش جنگل تصادفی داشت که دلیل این امر را می توان لحاظ کردن اثرات متقابل بین نشانگرها, خود ترمیمی و قدرت بالای این روش در کاهش خطای مدل دانست.

استنادها

  • ثبت نشده است.
  • ارجاعات

  • ثبت نشده است.
  • استناددهی

    APA: کپی

    نادری، یوسف. (1399). بهینه سازی پارامترهای روش های یادگیری ماشین بر ارزیابی ژنومی صفات گسسته دودویی با در نظر گرفتن ساختار جمعیت و توزیع های متفاوت فنوتیپ در جمعیت مرجع. پژوهش های علوم دامی ایران، 12(1 )، 113-124. SID. https://sid.ir/paper/384421/fa

    Vancouver: کپی

    نادری یوسف. بهینه سازی پارامترهای روش های یادگیری ماشین بر ارزیابی ژنومی صفات گسسته دودویی با در نظر گرفتن ساختار جمعیت و توزیع های متفاوت فنوتیپ در جمعیت مرجع. پژوهش های علوم دامی ایران[Internet]. 1399؛12(1 ):113-124. Available from: https://sid.ir/paper/384421/fa

    IEEE: کپی

    یوسف نادری، “بهینه سازی پارامترهای روش های یادگیری ماشین بر ارزیابی ژنومی صفات گسسته دودویی با در نظر گرفتن ساختار جمعیت و توزیع های متفاوت فنوتیپ در جمعیت مرجع،” پژوهش های علوم دامی ایران، vol. 12، no. 1 ، pp. 113–124، 1399، [Online]. Available: https://sid.ir/paper/384421/fa

    مقالات مرتبط نشریه ای

  • ثبت نشده است.
  • مقالات مرتبط همایشی

  • ثبت نشده است.
  • طرح های مرتبط

  • ثبت نشده است.
  • کارگاه های پیشنهادی






    بازگشت به بالا