R语言生存分析(机器学习)(2)——Enet(弹性网络)

弹性网络(Elastic Net):是一种用于回归分析的统计方法,它是岭回归(Ridge Regression)和lasso回归(Lasso Regression)的结合,旨在克服它们各自的一些限制。弹性网络能够同时考虑L1正则化(lasso)和L2正则化(岭回归),从而在特定情况下对于高维数据集具有更好的性能。

#清空
rm(list=ls())
gc()

#导入包
library(glmnet)
help(package="glmnet")
library(survival)
library(caret)
library(tibble)
library(magrittr)

#原始数据处理
data(cancer)
data<-na.omit(lung) %>% data.frame
dim(lung)
#K折交叉验证
folds<-createMultiFolds(y=lung$status,
                        k=3,
                        time=1)
val<-list(train=data,
                  test1=data[folds$Fold1.Rep1,],
                  test2=data[folds$Fold2.Rep1,],
                  test3=data[folds$Fold3.Rep1,])

#构建模型
x1 <- as.matrix(data[,!(colnames(data) %in% c("time","status"))])
x2 <- as.matrix(Surv(data$time,data$status))
result <- data.frame()
#使用循环,使得alpha参数从0到1
for (alpha in seq(0,1,0.1)) {
  set.seed(123)
  fit = cv.glmnet(x1, x2,family = "cox",alpha=alpha,nfolds = 10)
  rs <- lapply(val,function(x){cbind(x[,c("time","status")],RS=as.numeric(predict(fit,type='link',newx=as.matrix(x[,!(colnames(data) %in% c("time","status"))]),s=fit$lambda.min)))})
  cc <- data.frame(Cindex=sapply(rs,function(x){as.numeric(summary(coxph(Surv(time,status)~RS,x))$concordance[1])}))%>%
    rownames_to_column('ID')
  cc$Model <- paste0('Enet','[α=',alpha,']')
  result <- rbind(result,cc)
}
#得到每个alpha下C指数的平均值
library(dplyr)
mean_result<-result %>% 
  group_by(Model) %>% 
  summarise(Cindex=mean(Cindex))

#绘图
plot(fit)
mean_result %>%
  ggplot(aes(Cindex,reorder(Model,Cindex)))+
  geom_bar(width=0.7,stat = 'identity',fill='green')+
  geom_text(aes(label = round(Cindex, 2)), hjust=1,vjust =0.5,color = 'black') +  # 在条形柱顶端添加数值
  theme_void()+
  scale_x_break(c(0.05,0.53),scales = 20)
  
mean_result <- pivot_wider(result,names_from = 'ID',values_from = 'Cindex')%>%as.data.frame()
mean_result[,-1] <- apply(mean_result[,-1],2,as.numeric)
heatdata <- as.matrix(mean_result2[, 2:5])
rownames(heatdata) <- mean_result2$Model
args(pheatmap)
pheatmap(heatdata,name = "Cindex",
         cluster_cols = FALSE,#不进行行聚类
         cluster_rows = T,  #进行行聚类
         show_colnames = FALSE,
         show_rownames = T, # 显示行名
         display_numbers=T,
         annotation_col=data.frame(Type=c("train","test1","test2","test3")),
         annotation_colors = list(Type=c(train="red",test1="yellow",
                                               test2="blue",test3="green")),
         cellwidth = 30,  # 调整小方块的宽度
         cellheight = 20 # 调整小方块的高度
         )
相关推荐
亚图跨际几秒前
Python和R荧光分光光度法
开发语言·python·r语言·荧光分光光度法
谢眠17 分钟前
深度学习day3-自动微分
python·深度学习·机器学习
搏博27 分钟前
神经网络问题之一:梯度消失(Vanishing Gradient)
人工智能·机器学习
rellvera1 小时前
【强化学习的数学原理】第02课-贝尔曼公式-笔记
笔记·机器学习
我感觉。2 小时前
【机器学习chp4】特征工程
人工智能·机器学习·主成分分析·特征工程
DieYoung_Alive2 小时前
一篇文章了解机器学习(下)
人工智能·机器学习
幻风_huanfeng2 小时前
人工智能之数学基础:线性代数在人工智能中的地位
人工智能·深度学习·神经网络·线性代数·机器学习·自然语言处理
请你喝好果汁6413 小时前
单细胞|M3-4. 细胞聚类与轨迹推断
机器学习·数据挖掘·聚类
Chef_Chen5 小时前
从0开始学习机器学习--Day33--机器学习阶段总结
人工智能·学习·机器学习
databook5 小时前
『玩转Streamlit』--布局与容器组件
python·机器学习·数据分析