文章阅读目录大纲
Github项目：https://github.com/xieguigang/marker
本程序包是一个基于R语言的综合性机器学习工具集，专门设计用于生物标志物发现和疾病预测模型的构建。该工具整合了多种机器学习算法，提供了从数据预处理、特征选择到模型构建与验证的完整工作流程，特别适用于代谢组学、基因组学等高维生物数据的分析研究。在这个程序包中，主要是通过marker函数来封装了从数据与处理到模型建立的每一个步骤，主要将程序包划分为了以下的工作步骤模块：
- 数据加载和预处理
- 初始可视化（PCA图）和统计分析（线性模型、描述性统计）
- 特征选择（如果未提供预选特征，则使用LASSO、随机森林和SVM-RFE三种方法）
- 数据分割为训练集和测试集
- 模型集成训练（逻辑回归、XGBoost、随机森林）
- 结果可视化（ROC曲线、特征重要性、SHAP分析等）
大家在这里可以通过下面的技术路线图来了解在所编写的程序包中所涉及到的分析内容与步骤：
所主要涉及到的模型算法原理
| 机器学习方法 | 数学原理 | 使用场景 | 应用 |
|---|---|---|---|
| LASSO回归 | LASSO（Least Absolute Shrinkage and Selection Operator）是一种线性回归方法，它通过在损失函数中添加L1正则化项来实现特征选择。L1正则化使得一些系数变为零，从而实现特征选择。 | 适用于高维数据，特别是当特征数量远大于样本数量时，可以用于特征选择和防止过拟合。 | 通过交叉验证选择最优的lambda值，然后提取非零系数对应的特征作为重要特征。 |
| 随机森林（Random Forest） | 随机森林是一种集成学习方法，通过构建多个决策树并合并它们的预测来提高准确性。每棵树在训练时使用自助采样（bootstrap）和随机特征选择，从而降低方差。 | 适用于分类和回归问题，对高维数据表现良好，能够处理非线性关系，且不易过拟合。 | 计算每个特征的平均不纯度减少（Mean Decrease Gini）作为特征重要性，选择重要性大于0.5的特征。 |
| SVM-RFE（支持向量机递归特征消除） | SVM-RFE是一种基于支持向量机的特征选择方法。它通过递归地移除最不重要的特征（根据权重向量）来构建模型，直到达到指定数量的特征。 | 适用于高维数据，特别是在特征数量远大于样本数的情况下，常用于生物信息学中的基因选择。 | 使用SVM-RFE算法，通过交叉验证评估不同特征子集的性能，选择最优的特征子集。 |
| 逻辑回归（Logistic Regression） | 逻辑回归是一种广义线性模型，用于二分类问题。它通过logistic函数将线性回归的输出映射到[0,1]之间，表示概率。 | 适用于二分类问题，模型可解释性强，常用于医学诊断和风险评估。 | 使用选定的特征构建逻辑回归模型，并生成列线图（nomogram）用于可视化预测。 |
| XGBoost | XGBoost是一种梯度提升决策树算法，通过迭代地训练弱学习器（决策树）来构建强学习器。它使用二阶泰勒展开来近似损失函数，并加入了正则化项防止过拟合。 | 适用于分类和回归问题，尤其在结构化数据上表现优异，常用于机器学习竞赛。 | 使用选定的特征训练XGBoost模型，并与其他模型进行性能比较。 |
| 模型集成（Ensemble） | 模型集成通过组合多个模型的预测来提高整体性能。常见的集成方法有投票法、平均法等。本代码中，我们分别训练了逻辑回归、XGBoost和随机森林模型，并分别评估它们的性能，同时绘制组合的ROC曲线进行比较。 | 当单一模型可能存在过拟合或欠拟合时，集成方法可以提高模型的泛化能力。 | 我们训练了三个模型，并分别输出它们的性能指标（如AUC、准确率等），同时绘制组合的ROC曲线以便比较。 |
| SHAP（SHapley Additive exPlanations） | SHAP是一种基于博弈论的模型解释方法，它将每个特征视为一个“玩家”，计算该特征对预测结果的贡献（即SHAP值）。SHAP值具有可加性，能够解释单个预测。 | 用于解释机器学习模型的预测结果，特别是黑箱模型（如XGBoost、随机森林）。 | 对每个模型（逻辑回归、XGBoost、随机森林）计算SHAP值，生成特征重要性图、蜂群图、瀑布图等，帮助理解模型如何做出预测。 |
高级数据科学家 at 苏州帕诺米克
Working on Engineered bacteria CAD design on its genome from scratch. Writing scientific computing software for Tianhe & Sunway TaihuLight supercomputer. Do scientific computing programming in R/R# language, he is also the programming language designer of the R# language on the .NET runtime.
Latest posts by 谢桂纲 (see all)
- 机器学习驱动的生物标志物发现与疾病预测集成工具包 - 2025年10月7日
- CCL对象检测算法 - 2025年8月11日
- Boids鸟群模拟算法讲解 - 2025年8月10日
2 Responses
Could you provide some practical examples of how this R package is used? For instance, how does it perform when analyzing single-cell sequencing data?
大佬厉害