|
机器学习发现隐藏的模式和关系，自动化分析，预测未来结果。
发现趋势使用这些无监督机器学习技术，根据相似性将数据组织成有意义的组。 分层聚类将相似的数据点分组在一起，构建树状结构。这使您能够研究不同观测值之间的关联程度，并发现数据中的分组。 仅在企业版计划中可用
K-means 聚类指定您希望在数据中找到的聚类数量 (K)。Prism 然后接管，使用 K-means++ 方法，该方法优于其他版本，并将您的数据点智能地分组到指定数量的聚类中。 仅在企业版计划中可用
简化数据使用降维技术将数据转换为更易于理解和高效的格式，同时尽可能保留更多信息（方差），这些是无监督机器学习技术。 主成分分析 (PCA)有效减少变量同时保留关键信息。这种无监督机器学习技术可以解决过拟合问题，带来更清晰的洞察和更强大的模型。
主成分回归 (PCR)将 PCA 与回归相结合时可解锁。PCR 是构建更准确和可解释模型的强大方法。
广义线性模型的广泛应用使用已知结果的数据训练广义线性模型，让您能够预测未来的数据行为并获得有价值的洞察。 多元线性回归可用于识别各种因素如何影响您的药物候选物，在药物发现的早期阶段优先选择最有希望的候选物，提高效率。
多元逻辑回归使您能够发现预测特定患者群体药物疗效的生物标志物，从而开发针对性疗法，改善治疗效果。
泊松回归分析计数数据，可用于优化细胞培养条件，确保实验的一致性和可靠性。
增强洞察的可视化工具Prism 的机器学习可视化工具使解释聚类结果变得更容易，并有效地传达您的发现。 树状图提供分层聚类结果的可视化地图。直观地确定用于分割数据的最佳聚类数量。 仅在企业版计划中可用
置信椭圆和凸包置信椭圆显示每个组内的变异性，突显您的聚类有多紧凑或分散。 凸包定义每个聚类的边界，揭示不同数据组之间的重叠程度。 仅在企业版计划中可用
机器学习功能亮点
使用 Prism 内置的机器学习工具，从您的实验中获得更深入的洞察。 Prism 的机器学习工具专为科学家设计，可以去除不必要的信息，自动将相似的数据点分组，并帮助您发现隐藏的联系。 先进的可视化可以澄清这些关系，为您提供更清晰的研究图景。
在线留言尊敬的客户朋友，如您有任何意见建议，请通过下表反馈给我们，我们会尽快与您联系。
|
|
|
||||||||||||||||||||||||
400-621-1085
