招风耳
招风耳,指耳朵外突。而非招风耳,则是耳朵与头部夹角较小。
检测结果
通过预测模型计算出 4 组基因结果,分段长度代表每组结果的人群占比。
Lv.1
Lv.2
Lv.3
Lv.4
可能性低可能性高
你是招风耳的可能性为 17%
招风耳,指耳朵外突。而非招风耳,则是耳朵与头部夹角较小。
通过预测模型计算出 4 组基因结果,分段长度代表每组结果的人群占比。
你是招风耳的可能性为 17%
* 数据来自于23魔方研究所
* 数据来自于23魔方研究所
在23魔方招风耳的研究中,我们将耳朵外突定义为招风耳。在所有参与研究的23魔方用户中,约 16% 的人是招风耳。
招风耳和正常耳朵的对比如下图。
我们的检测是使用极少量 DNA 来检测 70~80 万位点,受检测技术限制会有约 1% 的位点(预计 7~8 千个)无法检出。并且这些位点随机分布,可能会落在用于解释项目结果的位点中,从而影响您此项目的检测结果。
结合研究所问卷收集的数据和签署研究知情同意书的研究志愿者基因数据,研究人员利用计算生物学、机器学习方法,来寻找和性状相关的基因位点,并据此构建预测模型。
研究人员会在研究所持续收集数据来不断校验并优化预测模型。随着数据规模变大,模型获得更充分的校正和验证,此时它会被呈现在正式报告中。
*研究所致力于发现基因和环境对个体在更多方面的具体影响,诚邀并感谢大家参与研究问卷填写。
感谢你参与23研究所此项目的问卷调查,特发荣誉证书。
证书请登录APP查看。
通过预测模型共计算出 4 个结果。在和你相同基因结果的23魔方用户(第 2 组)中,有 17% 的人是招风耳,83% 的人不是招风耳。
招风耳
非招风耳
样本数12700
项目上线
研究进展中的项目预测结果是通过大数据建模得到的,而 AUC (Area under curve) 是机器学习中评价模型综合性能的常用指标,通常在 0.5~1 之间。
AUC 越高,表示预测模型的整体性能越好。
AUC 与准确率 (Accuracy) 的区别在于,AUC 需同时考虑对于阳性(患病)和阴性(未患病)的准确率。
举个例子:如果一个患病率为 1% 的病,只要预测所有人都不患病,那么准确率也达到了 99%。但这只考虑了阴性情况,这并不能说明预测模型的整体性能好。
因此,用准确率来评判预测模型较为片面,AUC 能更好的评价模型的好坏。