主要内容

sbiompgsa

执行多参数全局灵敏度分析(需要统计和机器学习工具箱）

全部折叠到页面中

句法

mpgsaResults = sbiompgsa (modelObj params,分类器)
mpgsaResults = sbiompgsa (modelObj、样品、分类)
mpgsaResults = sbiompgsa (simdata、样品、分类)
mpgsaresults = sbiompgsa（___，名称，价值）

描述

例子

mpgsaresults.= sbiompgsa (Modelobj.那参数个数那分类器）执行多次全局敏感性分析（MPGSA.）[1]的分类器关于模型参数参数个数在SimBiology模型上Modelobj.。参数个数是模型量（灵敏度输入）和分类器定义模型响应的表达式（模型输出）。

mpgsaresults.= sbiompgsa (Modelobj.那样本那分类器）使用参数样本执行多次全局敏感性分析分类器。

例子

mpgsaresults.= sbiompgsa (simdata那样本那分类器）使用模型仿真数据simdata执行多次全局敏感性分析分类器。

例子

mpgsaresults.= sbiompgsa (___那名称,值）使用一个或多个名称值对参数指定的其他选项。可用的名称值对不同，具体取决于您使用的语法。

例子

全部折叠

此示例使用：

打开生活的脚本

加载靶介导的药物处理（TMDD）模型。

sbioloadproject.tmdd_with_to.sbproj.

获取活动的configset并设置目标占用率(至）作为回应。

cs = getConfigset（M1）;cs.runtimeOptions.statestolog =.'至';

模拟模型并绘制至轮廓。

Sbioplot（Sbiosmulate（M1，CS））;

图中包含一个轴。具有标题状态与时间的轴包含类型线的对象。此对象表示。

定义目标占用率的曝光（曲线曲线下的区域）。

分类器='trapz（时间，to）<= 0.1';

执行MPGSA以确定相对于to的敏感参数。在预定义边界之间改变参数值以生成10,000个参数样本。

%抑制模拟期间发出的信息警告。Warnsettings =警告（'离开'那'Simbiology：SBServices：sb_dimanalysisnnotdone_matlabfcn_ucon'）;RNG（0，'twister'）;重复性的％params = {'kel'那“ksyn”那'kdeg'那“公里”};界= [0.1,1;0.1, 1;0.1, 1;0.1, 1);mpgsaResults = sbiompgsa (m1,参数,分类器,'界限'，界限，'Operenceamples'，10000）
mpgsaResults = MPGSA with properties: Classifiers: {'trapz(time,TO) <= 0.1'} KolmogorovSmirnovStatistics: [4x1 table] ECDFData: {4x4 cell} SignificanceLevel: 0.0500 PValues: [4x1 table] 金宝appsupportthypoture: [10000x1 table] Observables: {'TO'} ParameterSamples: [10000x4 table] SimulationInfo: [1x1 struct]

绘制模拟模型响应的量级。

plotData (mpgsaResults);

图中包含一个轴。坐标轴包含12个对象，类型为line, patch。这些对象分别代表模型仿真、90.0%区域、平均值。

绘制所接受和拒绝的样本的经验累积分配函数（ECDF）。除了公里，任何参数都没有显示出可接受和拒绝样本的ECDF的显着差异。这公里绘图显示了接受和拒绝的样品的ECDF之间的大型kolmogorov-smirnov（k-s）距离。K-S距离是两个ECDFS曲线之间的最大绝对距离。

h = plot（mpgsaresults）;％调整数字大小。pos = h.Position（:);H.Position（:) = [POS（1）POS（2）POS（3）* 2 POS（4）* 2];

图中包含4个轴。标题为trapz(time,TO) <= 0.1的坐标轴1包含2个阶梯类型的对象。这些对象代表已接受的样本和未接受的样本。坐标轴2包含2个类型楼梯的物体。这些对象代表已接受的样本和未接受的样本。坐标轴3包含2个类型楼梯的对象。这些对象代表已接受的样本和未接受的样本。坐标轴4包含2个类型楼梯的物体。这些对象代表已接受的样本，拒绝样本。

为了计算两种ECDF之间的K-S距离，SimBiology使用基于空假设的双面测试，即接受和拒绝的样本的两个分布相等。看KSTEST2.（统计和机器学习工具箱）有关详细信息。如果K-S距离大，则两个分布不同，这意味着样本的分类对输入参数的变化很敏感。另一方面，如果K-S距离很小，则输入参数的变化不会影响样本的分类。结果表明分类对输入参数不敏感。为了评估拒绝零假设的K-S统计数据的重要性，您可以检查p值。

酒吧（mpgsaresults）

图中包含一个轴。具有标题Trapz的轴（时间，to）<= 0.1包含11个类型的贴片物体，线。这些对象代表K-S统计，p值。

条形图显示每个参数的两个条：一个用于K-S距离（K-S统计），另一个用于相应的p值。如果P值小于显着性级别，则拒绝NULL假设。穿过 （X）显示几乎0.几乎0的p值。您可以看到与每个参数对应的确切p值。

[mpgsaresults.parametersamples.properties.variablenames'，mpgsaresults.pvalues]
ans =.4×2表var1 trapz（时间，to）<= 0.1 _____________________________ {'kel'} 0.0021877 {'ksyn'} 1 {'kdeg'} 0.99983 {'km'} 0

p值的公里和凯尔少于显着性水平（0.05），支持可接受和拒绝的样品来自不同分布的替代假设。金宝app换句话说，样品的分类对公里和凯尔但不是其他参数（克德格和ksyn.)。

您还可以绘制接受和拒绝样本的直方图。历史图让您看到接受和拒绝样本的趋势。在本例中，的直方图公里表明，更大的样本更大公里值,而凯尔直方图表明拒绝样本较少凯尔增加。

H2 =直方图（MPGsaresults）;％调整数字大小。pos = h2.Position（:);H2.Position（:) = [POS（1）POS（2）POS（3）* 2 POS（4）* 2];

图中包含4个轴。具有标题trapz的轴1（时间，to）<= 0.1包含2个类型直方图的2个对象。这些对象代表已接受的样本和未接受的样本。轴2包含2个类型直方图的2个对象。这些对象代表已接受的样本和未接受的样本。轴3包含2个类型直方图的对象。这些对象代表已接受的样本和未接受的样本。轴4包含2个类型直方图的2个对象。这些对象代表已接受的样本，拒绝样本。

恢复警告设置。

警告(warnSettings);

输入参数

全部折叠

Simbiology模型，指定为素质学模型对象。

模型参数，种类或隔间的名称，指定为字符向量，字符串，字符串向量或字符向量的单元格数组。

例子：[“K1”，“K2”]

数据类型：char|细绳|细胞

模型模拟数据，指定为矢量辛迪塔对象。

模型响应的表达式，指定为字符向量、字符串、字符串向量或字符向量的单元数组。指定引用路径上的模拟模型量、观测值、时间或MATLAB函数的表达式。

每个分类器必须评估为与参数样本的数量相同的逻辑向量。在分类器表达式中引用的型号（例如型号数量或可观察）被评估为具有模拟量值的时间路线的列的矩阵。每列代表一个样本。有关详细信息，请参阅多因素全局敏感性分析（MPGSA）。

如果您指定了一个辛迪塔对象作为第一个输入，每个数量或可观测的类中被分类器引用的组件必须解析为辛迪塔对象。

例子：“马克斯(中央。[]， []，1) <= 7"

数据类型：char|细绳|细胞

模型数量的采样值，指定为表格。表的变量名称表示数量名称。

数据类型：表格

名称-值对的观点

例子：mpgsaResults = sbiompgsa(m1，{'k1'，'k2'}，classifier，'Bounds'，[0.5 5;0.1 1])指定参数界限k1和k2。

指定一个或多个逗号分离的对名称,值论点。名称是参数名称和价值是对应的值。名称必须出现在引号内。您可以按如下顺序指定几个名称和值对参数name1，value1，...，namen，valuen。

笔记

根据您使用的语法，可用的名称值对不同。

对于第一种语法

全部折叠

参数界限，指定为逗号分隔对组成'界限'和一个带有两列的数字矩阵。第一列包含下限，第二列包含上限。行数必须等于参数的数量参数个数。

如果参数具有非零值，则默认界限为该值的±10%。如果参数值为零，则默认边界为[0 1]。

例子：[0.5 5]

数据类型：双倍的

绘制用于执行多参数全局灵敏度分析的样本数，指定为逗号分隔的对，由'Operenceamples'和一个正整数。

数据类型：双倍的

方法生成参数示例，指定为逗号分隔的对，由“SamplingMethod”和一个字符矢量或字符串。有效选项是：

  • 'Sobol'- 使用低差异的Sobol序列来生成样本。

  • '中断'- 使用低差异哈尔顿序列来生成样本。

  • 'lhs'- 使用低差异的拉丁杂交样本。

  • '随机的'-使用均匀分布的随机样本。

数据类型：char|细绳

第一和第二语法

全部折叠

在模型模拟期间使用的剂量，指定为逗号分隔的配对组成'剂量'和一个scheduldose.或重复糖对象或剂量对象的向量。

在模型模拟之前应用的变体，指定为包括的逗号分隔对“变异”和变体对象或变体对象的矢量。

当有多个变体时，如果属性值有重复规范，则在模拟期间使用变体系中的属性值的最后一次发生。

模拟停止时间，由逗号分隔的对组成'停止'和一个非负标量。如果您都没有指定停止也不产出，该函数使用模型的活动配置集的停止时间。您无法指定两者停止和产出。

数据类型：双倍的

标志以并行运行模型模拟，指定为逗号分隔对'使用指平行'和真正的或错误的。

数据类型：逻辑

标志要打开模型加速，指定为逗号分隔对组成'加速'和真正的或错误的。

数据类型：逻辑

对于所有语法

全部折叠

模拟输出时间，指定为逗号分隔对组成'输出'和一个数字矢量。该功能在这些输出时间点计算模型响应。您无法指定两者停止和产出。默认情况下，该函数使用第一个模型仿真的输出时间。

例子：[0 1 2 3.5 4 5 5.5]

数据类型：双倍的

Kolmogorov-Smirnov测试的意义级别，指定为包括逗号分隔对的'意义'和0到1之间的数字标量有关详细信息，请参阅两个样本kolmogorov-smirnov测试（统计和机器学习工具箱）。

例子：0.1

数据类型：双倍的

插值模型仿真到新的输出时间的方法，指定为逗号分隔对组成“InterpolationMethod”和一个字符矢量或字符串。有效的选项遵循。

  • “interp1q”- 使用interp1q功能。

  • 使用interp1.通过指定以下方法之一函数:

    • “最近”

    • “线性”

    • “样条曲线”

    • “pchip”

    • “v5cubic”

  • “ZOH”- 指定零阶保持。

数据类型：char|细绳

输出参数

全部折叠

多参数全局灵敏度分析结果，返回为simbiology.gsa.mpgsa.对象。该对象还包含用于执行MPGSA的模型模拟数据。

更多关于

全部折叠

多因素全局敏感性分析（MPGSA）

MultiParametric全局敏感性分析允许您研究参数对由模型响应定义的分类器的相对重要性。分类器是评估逻辑向量的模型响应的表达式。sbiompgsa实现Tiemann et描述的MPSA方法。al。（参见支持金宝app信息文本S2）[1]。

sbiompgsa执行以下步骤。

  1. 产生N.使用采样方法的参数样本。sbiompgsa将这些样本存储为属性中的表格，mpgsaResults。ParameterSamples，返回的对象。行数等于样本的数量，列数等于输入参数的数量。

    小费

    您可以指定N.抽样方法采用'Operenceamples'和“SamplingMethod”名称值对参数分别在您致电时sbiompgsa。

  2. 通过模拟每个参数集的模型来计算模型响应，这是模型参数值的单一实现。在这种情况下，参数集等于行中的一行ParameterSamples表格

  3. 评估分类器。分类器是评估逻辑向量的表达式。例如，如果您的模型响应是血浆药物浓度的AUC，则可以将具有0.8的毒性阈值的分类器定义为0.8的药物浓度的AUC被认为是有毒的。

  4. 然后将参数集分成两组不同的组，例如接受（无毒性）并被拒绝（有毒）组。

  5. 对于每个输入参数，计算经验累积分布函数（ecdf（统计和机器学习工具箱））被接受和拒绝的样本值。

  6. 使用使用的拒绝群体的两个ECDF进行比较两个样本kolmogorov-smirnov测试（统计和机器学习工具箱）来计算柯尔莫戈洛夫-斯米尔诺夫距离。Kolmogorov-Smirnov检验的默认显著性水平为0.05。如果两个ECDF类似，则距离很小，这意味着模型响应对于输入参数不敏感。如果两个ECDF是不同的，则距离很大，这意味着模型响应对参数敏感。

    笔记

    Kolmogorov-Smirnov检验假设样本服从连续分布。当您增加样本数量时，请确保eCDF图是连续的。如果eCDFs在无限样本的极限下不是连续的，而是步进的，那么结果可能不能反映真实的灵敏度。

参考

[1]Tiemann, Christian A.， Joep Vanlier, Maaike H. Oosterveer, Albert K. Groen, Peter A. J. Hilbers, Natal A. W. van Riel。“参数轨迹分析以确定药物干预的治疗效果。”斯科特·马克尔编辑。PLoS计算生物学9，不。8（2013年8月1日）：E1003166。https://doi.org/10.1371/journal.pcbi.1003166。

也可以看看

|||（统计和机器学习工具箱）|（统计和机器学习工具箱）

话题

介绍了R2020a

SimBiology文档

金宝app

尝试matlab，sim金宝appulink等产品下载188bet金宝搏

得到审判现在