2.Machine Learning with R
- 在本节中，我们将利用glmnet package，caret和pROC三个R package来实现一个简单的二分类任务。
- 1.文件包括11个列，第1列为样本编号，第2-10列为特征，11列为标签（benign为良性,malignant为恶性)
- 2.数据集有458个良性(benign)样本和241个恶性(malignant)样本
- 3.数据集有Cl.thickness，Cell.size，Cell.shape，Marg.adhesion，Epith.c.size，Bare.nuclei，Bl.cromatin，Normal.nucleoli，Mitoses9个特征，均为取值在0-10之间的整数。
library(glmnet)
library(caret)
library(pROC)
library(mlbench)
- glmnet: 实现了一系列带正则化的广义线性模型，我们用到的logistic regression对应binomial glm的情形
- caret: 对多种分类器进行了封装，提供统一的接口，为机器学习中的调参，特征选择等常见的任务提供了便于使用的接口
- pROC: 实现了一系列用于性能评估的常用函数
- mlbench: 提供了一些常用的toy dataset，包括我们用到的BreastCancer
- 我们这里用均值补全缺失值，用Z-score对特征进行scaling
data(BreastCancer) # load data
y <- BreastCancer$Class
x <- BreastCancer[,2:10]
x <- apply(x,2,as.numeric)
feature.mean <- colMeans(x,na.rm = T)
# fill missing value with average value of this feature
x[is.na(x)] <- matrix(rep(feature.mean,each=length(y)), nrow=length(y))[is.na(x)]
# Z score scaling
x <- scale(x,center = TRUE,scale = TRUE)
我们用caret提供的
createDataPartition方法划分训练集和测试集:set.seed(666) # 固定random seed保证结果可重复
# 80% data for training, 20% for performance evaluation
train.indices <- createDataPartition(y,p=0.8,times = 1,list=T)$Resample1
x.train <- x[train.indices,]
x.test <- x[ -train.indices,]
y.train <- y[train.indices]
y.test <- y[ -train.indices]
- 我们这里使用caret实现的递归特征消除(recursive feature elimination)方法
- 我们先考虑一个基于随机森林的方法:
# twoClassSummary是caret定义的一个函数，用于二分类的性能评估
# rfFuncs是rfFuncs是caret自带的一个S3 list，用于存储基于随机森林做特征选择相关的一些函数
# 我们这里把twoClassSummary用作模型评估，其他保留默认设置
rfFuncs$summary <- twoClassSummary
# caret中可以通过通过rfeControl函数定义一个list(这里的rfectrl)，用于控制RFE的行为
# method指的是性能评估的方式，可选参数有"boot", "cv", "LOOCV", "repeatedcv"
# 我们这里使用默认的boot，即通过bootstrapping(有放回的抽样)进行性能评估
# number控制了cv的fold和bootstrapping的重复次数
rfectrl <- rfeControl(functions=rfFuncs,
verbose = TRUE,
method="boot",number=10)
rfe.results <- rfe(x.train,y.train,
sizes=2:9,
rfeControl=rfectrl,
metric = "ROC")
selected.features <- predictors(rfe.results)
selected.features
# "Bare.nuclei" "Cl.thickness" "Cell.size" "Bl.cromatin"
- 可见RFE最终保留了4个特征
- 我们还可以用
rfe.results$results打印出交叉验证的结果 - 如果把
rfFuncs参数换成lrFuncs，我们就可以进行基于logistic regression的特征选择:
lrFuncs$summary <- twoClassSummary
rfectrl <- rfeControl(functions=lrFuncs,
verbose = TRUE,
method="boot",number=10)
rfe.results <- rfe(x.train,y.train,
sizes=2:9,
rfeControl=rfectrl,
metric = "ROC")
predictors(rfe.results)
# "Bare.nuclei" "Cl.thickness" "Bl.cromatin" "Marg.adhesion" "Mitoses" "Normal.nucleoli"
- 我们使用caret提供的train函数，以glmnet package实现的带正则化的logistic regression为例通过交叉验证调参
params.grid <- expand.grid(alpha = c(0,0.5,1),lambda = c(0,0.01,0.1,1))
# alpha: relative weighting of L1 and L2 regularization
# lambda: degree of regularization, see glmnet documentation for detail
# train是caret封装的一个用于调参的函数
# 和rfeControl类似，trainControl也返回一个列表，用于控制train函数的行为
# method同样可以是"boot","cv"等，number参数控制了交叉验证的折数和bootstraping的重复次数
tr.ctrl <- trainControl(method="cv",
number = 5,
summaryFunction = twoClassSummary,
classProbs = TRUE)
cv.fitted <- train(x.train[,predictors(rfe.results)],y.train,
method="glmnet",
family="binomial",
metric = "ROC",
tuneGrid = params.grid,
preProcess = NULL,
trControl = tr.ctrl )
- 我们可以查看交叉验证得到的最好的一组超参数组合
cv.fitted$bestTune
# alpha lambda
# 1 0.01
- 也可以通过
cv.fitted$results属性查看交叉验证的结果等 - 通过改变
train函数的method参数，我们就可以很容易的拟合其他分类器，caret封装了大量可选的分类和回归模型，请大家参考http://topepo.github.io/caret/train-models-by-tag.html
- 获取测试集上的预测结果
# caret为不同分类器的预测提供了统一的接口
y.test.pred.prob <- predict(cv.fitted,newdata=x.test,type="prob")
# predict是一个generic function，它根据输入对象的类型判断调用哪一个函数
# caret::train返回的是一个"train"类，所以predict调用的实际上是caret实现的predict.train函数
# 接下来我们用pROC::roc函数产生一个"roc"对象
roc.curve <- roc(y.test,y.test.pred.prob[,2])
plot(roc.curve,print.auc=T)
ROC curve
- pROC实现了对分类性能指标置信区间的估计:
ci.auc(roc.curve,conf.level = 0.95)
# 95% CI: 0.9893-1 (DeLong)
ci.coords(roc.curve,x="best",conf.level = 0.95,ret ="recall",best.method="youden",best.policy="random")
# 95% CI (2000 stratified bootstrap replicates):
# threshold recall.low recall.median recall.high
# best 0.9375 0.9792 1
ci.coords(roc.curve,x="best",conf.level = 0.95,ret ="precision",best.method="youden",best.policy="random")
#95% CI (2000 stratified bootstrap replicates):
# threshold precision.low precision.median precision.high
# best 0.8571 0.9412 1
ci.coords(roc.curve,x="best",conf.level = 0.95,ret ="specificity",best.method="youden",best.policy="random")
#95% CI (2000 stratified bootstrap replicates):
# threshold specificity.low specificity.median specificity.high
# best 0.9121 0.967 1
我们提供了一个qPCR数据集qPCR_data.csv，第1列为sample id，第2-12列为特征(11个基因的表达量)，第13列为样本标签(负例为健康人:NC,正例为肝癌病人:HCC)。请大家用R语言完成以下任务:
- 数据预处理
- 用均值或中位数补全空缺值
- 对数据进行scaling
- 数据可视化
- 用PCA对数据进行可视化
- 数据集划分：预留20%数据用于评估模型泛化能力，剩下的用于模型拟合
- 模型选择和模型拟合
- 任选一种分类器即可
- 特征选择: 用RFE或其他方式均可，特征数量不限
- 调参: 根据所选的分类器对相应的超参数进行搜索
- 模型评估
- 计算预留数据集上的AUROC
- 绘制ROC曲线
- 请提交代码，必要的文字解释和ROC曲线
请大家查阅资料，回答以下两个关于随机森林的问题：
- 随机森林中树的数量是不是一个需要通过交叉验证调整的超参数?为什么?
- 请问什么是随机森林的out-of-bag (OOB) error?它和bootstrapping有什么关系?
randomForest.R: Random Forestlogistic_regression.R: Logistic Regressionsvm.R: SVMplot_result.R: Plot your training and testing performance
- more R packages for machine learning
- e1071Functions for latent class analysis, short time Fourier transform, fuzzy clustering, support vector machines, shortest path computation, bagged clustering, naive Bayes classifier etc (142479 downloads)
- caret package (short for Classification And REgression Training) is a set of functions that attempt to streamline the process for creating predictive models. (87151)