Informatyka w selekcji - Wykład 2
Transkrypt
Informatyka w selekcji - Wykład 2
Informatyka w selekcji - Wykªad Tomasz Suchocki Uniwersytet Przyrodniczy we Wrocªawiu Katedra Genetyki i Ogólnej Hodowli Zwierz¡t 2 Plan wykªadu Regresja liniowa 1. Rys historyczny 2. Podstawy teoretyczne i przykªady 3. Regresja liniowa w pakiecie R Tomasz Suchocki, Informatyka w selekcji Wykªad 2 2/23 Rys historyczny Kto pierwszy u»ywaª regresji liniowej? Adrien-Marie Legendre (1805) Carl Friedrich Gauss (1809) W jakim celu u»ywano regresji? Na podstawie obserwacji astronomicznych okre±lano orbity ciaª niebieskich wokóª sªo«ca. Tomasz Suchocki, Informatyka w selekcji Wykªad 2 3/23 Rys historyczny Kiedy powstaª termin regresja? Francis Gaston w XIX wieku u»yª tego terminu do opisu zjawiska biologicznego. Tomasz Suchocki, Informatyka w selekcji Wykªad 2 4/23 Rys historyczny Kiedy powstaª termin regresja? Francis Gaston w XIX wieku u»yª tego terminu do opisu zjawiska biologicznego. Dzieci po wysokich rodzicach maj¡ tendencj¦ do bycia osobami o przeci¦tnym wzroscie. Tomasz Suchocki, Informatyka w selekcji Wykªad 2 4/23 Rys historyczny Zastosowanie: zootechnika biologia ekonomia nanse medycyna epidemiologia Tomasz Suchocki, Informatyka w selekcji Wykªad 2 5/23 Podstawy teoretyczne regresja liniowa metoda modelowania liniowej zale»no±ci mi¦dzy zmienn¡ y , a zmien¡ X1 lub zmiennymi X1 , . . . , Xp . zmienna y zmienna zale»na lub obja±niana zmienna X1 zmienna niezale»na lub obja±niaj¡ca (zmienne X1 , . . . , Xp analogicznie) Tomasz Suchocki, Informatyka w selekcji Wykªad 2 6/23 Podstawy teoretyczne Model liniowy prosty jedna zmienna obja±niaj¡ca Tomasz Suchocki, Informatyka w selekcji Wykªad 2 7/23 Podstawy teoretyczne Model liniowy prosty jedna zmienna obja±niaj¡ca Model liniowy wielokrotny wiele zmiennych obja±niaj¡cych Tomasz Suchocki, Informatyka w selekcji Wykªad 2 7/23 Podstawy teoretyczne - model prosty (przykªad) 1. Masa ciaªa [kg] i grubo±¢ tkanki tªuszczowej [mm] 2. 10 osób dorosªych, ró»nej pªci, tej samej rasy Tomasz Suchocki, Informatyka w selekcji Wykªad 2 8/23 Podstawy teoretyczne - model prosty (przykªad) Tomasz Suchocki, Informatyka w selekcji Wykªad 2 9/23 Podstawy teoretyczne - model prosty (przykªad) Tomasz Suchocki, Informatyka w selekcji Wykªad 2 10/23 Podstawy teoretyczne - model prosty (przykªad) Tomasz Suchocki, Informatyka w selekcji Wykªad 2 11/23 Podstawy teoretyczne - model prosty (przykªad) Tomasz Suchocki, Informatyka w selekcji Wykªad 2 12/23 Podstawy teoretyczne - model prosty (przykªad) Tomasz Suchocki, Informatyka w selekcji Wykªad 2 13/23 Podstawy teoretyczne - model prosty (przykªad) (A) Gradient=0 Tomasz Suchocki, Informatyka w selekcji Wykªad 2 13/23 Podstawy teoretyczne - model prosty (przykªad) (A) Gradient=0 Brak zale»no±ci Korelancja=0 Tomasz Suchocki, Informatyka w selekcji Wykªad 2 13/23 Podstawy teoretyczne - model prosty (przykªad) (A) Gradient=0 (B) Gradient>0 Brak zale»no±ci Korelancja=0 Tomasz Suchocki, Informatyka w selekcji Wykªad 2 13/23 Podstawy teoretyczne - model prosty (przykªad) (A) Gradient=0 Brak zale»no±ci (B) Gradient>0 Zale»no±¢ w tym samym kierunku Korelancja=0 Tomasz Suchocki, Informatyka w selekcji Korelacja>0 Wykªad 2 13/23 Podstawy teoretyczne - model prosty (przykªad) (A) Gradient=0 Brak zale»no±ci (C) Gradient<0 (B) Gradient>0 Zale»no±¢ w tym samym kierunku Korelancja=0 Tomasz Suchocki, Informatyka w selekcji Korelacja>0 Wykªad 2 13/23 Podstawy teoretyczne - model prosty (przykªad) (A) Gradient=0 Brak zale»no±ci (C) Gradient<0 (B) Gradient>0 Zale»no±¢ w tym Zale»no±¢ w samym kierunku przeciwnym kierunku Korelancja=0 Tomasz Suchocki, Informatyka w selekcji Korelacja>0 Korelacja<0 Wykªad 2 13/23 Podstawy teoretyczne - model prosty (przykªad) Tomasz Suchocki, Informatyka w selekcji Wykªad 2 14/23 Podstawy teoretyczne - model prosty (przykªad) (A) Maªy bª¡d Tomasz Suchocki, Informatyka w selekcji (B) Du»y bª¡d Wykªad 2 15/23 Podstawy teoretyczne - model prosty (przykªad) tªuszcz=11.57+0.19·masa ciaªa Tomasz Suchocki, Informatyka w selekcji Wykªad 2 16/23 Podstawy teoretyczne Jak¡ posta¢ ma model regresji liniowej prostej? y Tomasz Suchocki, Informatyka w selekcji = µ + X1 β 1 + Wykªad 2 17/23 Podstawy teoretyczne Jak¡ posta¢ ma model regresji liniowej prostej? y = µ + X1 β 1 + y - ? X1 - ? β1 - ? - ? Tomasz Suchocki, Informatyka w selekcji Wykªad 2 17/23 Podstawy teoretyczne - regresja wielokrotna (przykªad) Jak¡ przykªadow¡ posta¢ ma model regresji liniowej wielokrotnej? y Tomasz Suchocki, Informatyka w selekcji = µ + X1 β1 + X2 β2 + Wykªad 2 18/23 Podstawy teoretyczne - regresja wielokrotna (przykªad) Jak¡ przykªadow¡ posta¢ ma model regresji liniowej wielokrotnej? y = µ + X1 β1 + X2 β2 + y - masa ciaªa X1 - zawarto±¢ tªuszczu X2 - pªe¢ Tomasz Suchocki, Informatyka w selekcji Wykªad 2 18/23 Podstawy teoretyczne - metoda najmniejszych kwadrtatów Jak estymowa¢ wspóªczynniki β1 , . . . , β p tworzymy macierz X , ktorej kolumnami s¡ odpowiednio: same jedynki (je±li wyst¦puje wyraz wolny!) warto±ci obserwacji od obliczamy wyra»enie X1 do Xp (X T X )−1 X T y cp ]T = (X T X )−1 X T y βb = [βb1 , . . . , β Tomasz Suchocki, Informatyka w selekcji Wykªad 2 19/23 Jak to zrobi¢ w pakiecie R Tomasz Suchocki, Informatyka w selekcji Wykªad 2 20/23 Jak to zrobi¢ w pakiecie R Tomasz Suchocki, Informatyka w selekcji Wykªad 2 21/23 Testowanie istotno±ci Tomasz Suchocki, Informatyka w selekcji Wykªad 2 22/23 Dzi¦kuj¦ za uwag¦ Tomasz Suchocki, Informatyka w selekcji Wykªad 2 23/23