Resposta aos revisores paper GI

Sumário das atividades:

REMOVENDO PARES

library(ggplot2)
library(reshape2)

but = read.csv("sumario_original.csv")
j48=but$J48[but$Percent=="100A"]
summary(j48)

##    Min. 1st Qu.  Median    Mean 3rd Qu.    Max. 
##  0.5630  0.6128  0.6355  0.6377  0.6572  0.7260

meta=but$MetaVote[but$Percent=="100A"]
summary(meta)

##    Min. 1st Qu.  Median    Mean 3rd Qu.    Max. 
##  0.7360  0.7710  0.7855  0.7861  0.7995  0.8470

but.m=melt(but,id=c("Percent"))
ggplot(but.m, aes(x = variable, y = value, fill = Percent)) + geom_boxplot() + scale_x_discrete(name="Data source") + scale_fill_manual(values = c("deepskyblue2", "darkseagreen","lightpink","lemonchiffon1"))

VARIANDO REDES

tudo=read.csv("summaryR.csv")
boxplot(tudo,ylab="AUC",xlab="Attributes", col=(c("deepskyblue2","deepskyblue2","deepskyblue2","deepskyblue2")))

ÁRVORES REPRESENTATIVAS

TOTAL

1- INT

2- PPI

3- REG

4- MET

Esta é a primeira árvore do Babu

Como os grupos do Babu são grandes e não estão muito desbalanceados, eu acredito que as outras árvores serão parecidas. Essa árvore foi podada com 3000 elementos por folha e o AUC é 0.56 :-(

Além disso, essa árvore é o oposto da árvore do Butland. É preciso pensar se realmente vale a pena seguir com esses dados do Babu.

DESEMPENHO POR ATRIBUTO

thcomplete = read.csv('th_complete.csv')
fpCutcomplete <- cut(thcomplete$FP, breaks = 20)
boxplot( boxwex = 0.3,thcomplete$TP ~ fpCutcomplete, col=2, xlab = "False Positive rate", ylab = "True Positive rate", xaxt = "n",outline=FALSE)
axis(1, at = c(0, 4, 8,  12, 16, 20), c(0, 0.2, 0.4, 0.6, 0.8, 1))
abline(0, 0.05, lwd=3,col = "red")

thdeg = read.csv('vote_threshold_summary_DEG.csv')
fpCutdeg<-cut(thdeg$FP,breaks=20)
boxplot(boxwex = 0.3,thdeg$TP ~ fpCutdeg,add=TRUE, col=4, xaxt = "n",outline=FALSE)


thneigh = read.csv('th_neigh.csv')
fpCutneigh<-cut(thneigh$FP,breaks=20)
boxplot(boxwex = 0.3,thneigh$TP ~ fpCutneigh,add=TRUE, col="gray", xaxt = "n",outline=FALSE)

thbetspaths = read.csv('vote_threshold_summary_BET_SPATHS.csv')
fpCutbetspaths<-cut(thbetspaths$FP,breaks=20)
boxplot(boxwex = 0.3,thbetspaths$TP ~ fpCutbetspaths,add=TRUE, col=7, xaxt = "n",outline=FALSE)


legend(bty = "n",12, 0.4, c("complete", "deg","neigh","bet_spaths"),fill=c("red","blue","gray","yellow"))

	J48	META
DEG	0.61	0.74
BET	0.62	0.75
SPATHS	0.55	0.61
NEIGH	0.47	0.52
COMPLETE	0.63	0.79