sbiopredictionci
(需要计算出模型的置信区间预测统计和机器学习工具)
描述
计算95%置信区间模型的仿真结果ci
= sbiopredictionci (fitResults
)fitResults
,一个NLINResults
或OptimResults
返回的sbiofit
。ci
是一个PredictionConfidenceInterval
对象包含计算置信区间的数据。
使用指定的一个或多个额外的选项ci
= sbiopredictionci (fitResults
,名称,值
)名称,值
对参数。
例子
计算置信区间估计PK参数和模型预测
加载数据
加载示例数据符合。数据存储的表变量ID,时间,CentralConc,PeripheralConc。这种合成数据代表了等离子体浓度测量的时间进程在八个不同的时间点对中央和周边隔间后注入剂量3个人。
负载data10_32R.matgData = groupedData(数据);gData.Properties。VariableUnits = {”,“小时”,毫克/升的,毫克/升的};sbiotrellis (gData“ID”,“时间”,{“CentralConc”,“PeripheralConc”},“标记”,“+”,…“线型”,“没有”);
创建模型
创建一个两舱制模式。
pkmd = PKModelDesign;pkc1 = addCompartment (pkmd,“中央”);pkc1。DosingType =“注入”;pkc1。EliminationType =“linear-clearance”;pkc1。HasResponseVariable = true;pkc2 = addCompartment (pkmd,“外围”);模型=构造(pkmd);configset = getconfigset(模型);configset.CompileOptions。UnitConversion = true;
定义剂量
定义注入剂量。
剂量= sbiodose (“剂量”,“TargetName”,“Drug_Central”);剂量。开始时间= 0;剂量。数量= 100;剂量。率= 50;剂量。AmountUnits =毫克的;剂量。时间Units =“小时”;剂量。RateUnits =“毫克/小时”;
定义参数
定义的参数估计。设置参数为每个参数范围。除了这些明确的界限,参数转换(如日志、分对数或probit)对隐式边界。
responseMap = {“Drug_Central = CentralConc”,“Drug_Peripheral = PeripheralConc”};paramsToEstimate = {“日志(中央)”,的日志(外围),“12”,“Cl_Central”};estimatedParam = estimatedInfo (paramsToEstimate,…“InitialValue”(1 1 1),…“界限”,(0.1 - 3;0.1 10 0 10;0.1 - 2));
合适的模型
执行一个未共享健康,也就是说,一组为每个病人估计参数。
unpooledFit = sbiofit(模型、gData responseMap estimatedParam,剂量,“池”、假);
执行一个合并,即一组所有患者的估计参数。
pooledFit = sbiofit(模型、gData responseMap estimatedParam,剂量,“池”,真正的);
计算估计参数的置信区间
计算95%置信区间估计为每个参数未共享。
ciParamUnpooled = sbioparameterci (unpooledFit);
显示结果
显示表格格式的置信区间。对于细节每个估计状态的意思,明白了参数置信区间估计的状态。
ci2table (ciParamUnpooled)
ans = 12 x7表组名估计ConfidenceInterval类型α状态________ _____________ ________ _____ _____ * * *⒈1{“中央”}1.422 1.1533 1.6906 0.05高斯可尊敬的{‘外围’}1 1.5629 0.83143 2.3551 0.05高斯限制1{“12”}0.47159 0.20093 0.80247 0.05高斯限制1 {‘Cl_Central} 0.52898 0.44842 0.60955 0.05高斯可尊敬的2{“中央”}1.8322 1.7893 1.8751 0.05高斯成功2{‘外围’}5.3368 3.9133 6.7602 0.05高斯成功2{“12”}0.27641 0.2093 0.34351 0.05高斯成功2 {‘Cl_Central} 0.86034 0.80313 0.91755 0.05高斯成功3{“中央”}1.6657 1.5818 1.7497 0.05高斯成功3{‘外围’}5.5632 4.7557 6.3708 0.05高斯成功3{“12”}0.78361 0.65581 0.91142 0.05高斯成功3 {‘Cl_Central} 1.0233 0.96375 1.0828 0.05高斯成功
绘制置信区间。如果估计的置信区间成功
蓝色,它是绘制(第一个默认颜色)。否则,它用红色(第二个默认颜色),这表明拟合参数可能需要进一步调查。如果置信区间没有有价值的
,然后集中交叉功能地块红线。如果有任何改变参数估计值0(对数变换)和1或0 (probit或分对数变换),然后不绘制参数估计的置信区间。看到的颜色顺序,类型get(大的,“defaultAxesColorOrder”)
。
组显示在相同的顺序从左到右,他们出现在groupname
对象的属性,用于标签的轴。y标签转换后的参数名称。
情节(ciParamUnpooled)
计算池的置信区间。
ciParamPooled = sbioparameterci (pooledFit);
显示置信区间。
ci2table (ciParamPooled)
ans = 4 x7表组名估计ConfidenceInterval类型α状态________ _____________ ________ ________ * * * _____ ___________汇集{“中央”}1.6626 1.3287 1.9965 0.05高斯可尊敬的集合{‘外围’}2.687 0.89848 4.8323 0.05高斯约束集合{“12”}0.44956 0.11445 0.85152 0.05高斯约束集合{‘Cl_Central} 0.78493 0.59222 0.97764 0.05高斯可尊敬的
绘制置信区间。组名是贴上“池”,表示健康。
情节(ciParamPooled)
情节一起置信区间的结果。默认情况下,每个参数估计的置信区间是绘制在一个单独的轴。竖线组参数的置信区间估计,计算在公共健康。
ciAll = [ciParamUnpooled; ciParamPooled];情节(ciAll)
你也可以画上所有在一个轴组合参数估计的置信区间使用“分组”布局。
情节(ciAll“布局”,“分组”)
在这个布局,您可以指向每个置信区间的中心标记的组名。每个估计参数是由竖线分隔。垂直虚线组参数的置信区间估计,计算在一个共同的健康。参数范围中定义的原始适合方括号。注意不同尺度上的轴由于参数转换。例如,y轴的12个
在线性范围内,但这的中央
在对数尺度由于其对数变换。
计算模型预测的置信区间
为模型计算95%置信区间预测,也就是说,使用估计参数仿真结果。
%的汇集ciPredPooled = sbiopredictionci (pooledFit);%的未共享ciPredUnpooled = sbiopredictionci (unpooledFit);
图模型预测的置信区间
每组的置信区间是绘制在一个单独的列中,并且每个反应是绘制在一个单独的行。红色置信区间的限制范围。置信区间范围不限于用蓝色绘制。
情节(ciPredPooled)
情节(ciPredUnpooled)
输入参数
fitResults
- - - - - -参数估计结果sbiofit
NLINResults
对象|OptimResults
对象|向量
参数估计结果sbiofit
指定为一个NLINResults
,OptimResults
,或一个向量的对象未共享符合回来一样sbiofit
调用。
名称-值参数
指定可选的双参数作为Name1 = Value1,…,以=家
,在那里的名字
参数名称和吗价值
相应的价值。名称-值参数必须出现在其他参数,但对的顺序无关紧要。
R2021a之前,用逗号来分隔每一个名称和值,并附上的名字
在报价。
例子:“阿尔法”,0.01,“类型”,“引导”
指定使用引导计算99%置信区间的方法。
α
- - - - - -置信水平
0.05(默认)|积极的标量
信心水平,(1 -α)* 100%
,指定为逗号分隔两人组成的“α”
和积极的标量在0和1之间。默认值是0.05
,这意味着计算95%置信区间。
例子:“阿尔法”,0.01
NumSamples
- - - - - -为引导的样本数量
1000年(默认)|正整数
引导的样本数量,指定为逗号分隔组成的“NumSamples”
和一个正整数。这个数字定义适合执行的数量在置信区间计算生成引导样品。数字越小,置信区间的计算变得越快,在降低成本的准确性。
例子:“NumSamples”, 500年
显示
- - - - - -水平显示返回到命令行中
“关闭”
(默认)|“没有”
|“最后一次”
水平显示返回到命令行指定为逗号分隔组成的“显示”
和一个特征向量。“关闭”
(默认)或“没有”
显示没有输出。“最后一次”
计算完成时显示一条消息。
例子:“显示”、“最后”
UseParallel
- - - - - -逻辑信号并行计算置信区间
真正的
|假
逻辑信号并行计算置信区间,指定为逗号分隔组成的“UseParallel”
和真正的
或假
。默认情况下,并行选择在原始的适合使用。如果这个参数设置为真正的
和并行计算工具箱™是可用的,最初的适合的并行选择忽视,和并行计算置信区间。
高斯置信区间:
如果输入
fitResults
的结果是一个向量对象,然后计算每个对象的置信区间是并行执行的。高斯置信区间的快速计算。所以它可能更有利于并行化原始健康(sbiofit
),而不是设置UseParallel
为真正的sbiopredictionci
。
引导置信区间:
转发功能
UseParallel
旗帜bootci
。没有并行输入向量的结果对象。
请注意
如果你有一个全球流随机数生成的substreams并行计算可再生的方式,sbiopredictionci
首先检查工人的数量是一样substreams的数量。如果是这样的话,函数集UseSubstreams
来真正的
在statset
选择和传递bootci
(统计和机器学习的工具箱)。否则,substreams默认是忽略的。
例子:“UseParallel”,真的
输出参数
ci
——结果置信区间
PredictionConfidenceInterval
对象
置信区间的结果,作为一个返回PredictionConfidenceInterval
对象。对于一个未共享健康,ci
可以是一个向量的PredictionConfidenceInterval
对象。
更多关于
高斯置信区间计算模型预测
周围的线性化模型参数估计P美国东部时间从返回的健康结果sbiofit
。的CovarianceMatrix
转换使用线性化模型。此外,隐式参数范围(日志
,probit
,或分对数
参数变换原始健康)和显式参数中指定范围(如果指定原始)也映射通过线性化模型。
线性化模型,sbiopredictionci
首先检查敏感性分析功能是否打开原始健康。如果功能,函数使用雅可比矩阵计算通过复杂的一步分化。如果功能,使用有限差分计算雅可比矩阵。有限差分可以是不准确的,考虑打开敏感性分析当您运行特性sbiofit
。
使用转换的函数CovarianceMatrix
和高斯计算置信区间估计模型在每个时间步反应。
在这种情况下,置信区间是受到原定义的参数范围,置信区间边界调整根据吴描述的方法,h·尼尔,M。[1]。
对于每个模型的响应,函数首先决定是否置信区间是无界的。如果是这样的话,估计状态设置为相应的模型的响应
没有有价值的
。否则,如果一个响应的置信区间是受制于一个参数绑定中定义的原始健康,设置其状态为的函数
限制
。(如参数转换日志
,probit
,或分对数
)隐式边界强加于估计的参数,例如,积极约束。这样的界限会导致过高的信心,即置信区间可以小于预期。如果没有置信区间估计的状态
没有有价值的
或限制
,那么函数集的估计状态模型反应成功
。否则,将剩余模型的估计状态响应可尊敬的
。
引导置信区间的计算
的bootci
(统计和机器学习的工具箱)函数从统计和机器学习工具箱™是用来计算引导置信区间。第一个输入nboot样品的数量(NumSamples
),第二个输入bootfun是一个函数来执行这些操作。
重新取样数据(每个小组内独立,如果多个组可用)。
运行参数符合重新取样的数据。
模拟模型使用估计参数模型反应。
回归模型反应。
估计状态总是设置为可尊敬的
因为函数不能确定置信区间由边界约束的参数估计。
引用
[1],H。,M.C. Neale. "Adjusted Confidence Intervals for a Bounded Parameter."行为遗传学。42(6),2012年,页886 - 898。
扩展功能
自动并行支持金宝app
加速代码通过自动运行并行计算使用并行计算工具箱™。
并行运行,设置“UseParallel”
来真正的
。
有关更多信息,请参见“UseParallel”
名称-值对的论点。
版本历史
介绍了R2017b
打开举例
你们possedez一个版本modifiee de cet(中央东部东京)为例。Souhaitez-vous打开cet(中央东部东京)为例用vos修改吗?
对MATLAB
你们有派对在联合国留置权,对应这个对MATLAB:
倒实行la对saisissez-la在fenetre德对MATLAB。Les navigateurs web不sup金宝appportent Les MATLAB命令。
你也可以从下面的列表中选择一个网站:
表现最好的网站怎么走吗
选择中国网站(中文或英文)最佳站点的性能。其他MathWorks国家网站不优化的访问你的位置。