Gaussian Logic for Predictive Classification

Kód výsledku v IS VaVaI

<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F68407700%3A21230%2F11%3A00183396" target="_blank" >RIV/68407700:21230/11:00183396 - isvavai.cz</a>

Výsledek na webu

<a href="http://www.springerlink.com/content/527048g350795uh0" target="_blank" >http://www.springerlink.com/content/527048g350795uh0</a>

DOI - Digital Object Identifier

<a href="http://dx.doi.org/10.1007/978-3-642-23783-6_18" target="_blank" >10.1007/978-3-642-23783-6_18</a>

Jazyk výsledku

angličtina

Název v původním jazyce

Gaussian Logic for Predictive Classification

Popis výsledku v původním jazyce

We describe a statistical relational learning framework called Gaussian Logic capable to work efficiently with combinations of relational and numerical data. The framework assumes that, for a fixed relational structure, the numerical data can be modelledby a multivariate normal distribution. We demonstrate how the Gaussian Logic framework can be applied to predictive classification problems. In experiments, we first show an application of the framework for the prediction of DNA-binding propensity of proteins. Next, we show how the Gaussian Logic framework can be used to find motifs describing highly correlated gene groups in gene-expression data which are then used in a set-level-based classification method.

Název v anglickém jazyce

Gaussian Logic for Predictive Classification

Popis výsledku anglicky

We describe a statistical relational learning framework called Gaussian Logic capable to work efficiently with combinations of relational and numerical data. The framework assumes that, for a fixed relational structure, the numerical data can be modelledby a multivariate normal distribution. We demonstrate how the Gaussian Logic framework can be applied to predictive classification problems. In experiments, we first show an application of the framework for the prediction of DNA-binding propensity of proteins. Next, we show how the Gaussian Logic framework can be used to find motifs describing highly correlated gene groups in gene-expression data which are then used in a set-level-based classification method.

Druh

D - Stať ve sborníku

CEP obor

JC - Počítačový hardware a software

OECD FORD obor

—

Projekt

Výsledek vznikl pri realizaci vícero projektů. Více informací v záložce Projekty.

Návaznosti

P - Projekt vyzkumu a vyvoje financovany z verejnych zdroju (s odkazem do CEP)

Rok uplatnění

2011

Kód důvěrnosti údajů

S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů

Název statě ve sborníku

Machine Learning and Knowledge Discovery in Databases

ISBN

978-3-642-23782-9

ISSN

—

e-ISSN

—

Počet stran výsledku

16

Strana od-do

277-292

Název nakladatele

Springer

Místo vydání

Berlin

Místo konání akce

Athens

Datum konání akce

5. 9. 2011

Typ akce podle státní příslušnosti

WRD - Celosvětová akce

Kód UT WoS článku

—