StatQuest机器学习

视频B站视频
笔记:公众号:生信小知识+生信菜鸟团

学习思路:机器学习——小洁简书TCGA笔记——生信技能树线上视频

一、基础简介

概念:机器学习主要思想

一般来讲, 机器学习就是进行预测和分类。原始数据称为训练集(training data),测试集来评估机器学习方法。

  • 偏差-方差权衡:

我们记得绿色曲线在拟合训练集的时候非常好,但是当我们做机器学习时,我们更感兴趣的是绿色曲线能利用新的数据做出多好的预测。换句话说, 虽然绿色曲线比黑色曲线更拟合训练集,然而黑线在用测试集进行预测速度方面做得更好。所以我们会选择黑线!!



二、Cross validation

参考StatQuest学习笔记22——交叉验证
例子:

  • 根据胸痛、血液循环、体重预测心脏疾病;当我们遇到一个新的病人时,检测这些指标(左侧)来预测是否得了心脏病(右侧),如下:


  • 此时,我们就面临一个问题,使用哪种方法来预测这个新病人是否得有心脏病?

可用的机器学习方法:

  • Logistic回归、k近邻算法、支持向量机(SVM)等
  • 但是那种方法适合我们呢? 交叉验证可以帮助我们比较不同的机器学习方法。

对于这个新病人数据,我们需要做2件事情,如下所示:

  • 第一,估计机器学习方法的参数。例如对于逻辑回归来说,我们需要使用一些数据(已有病人)来估计这个曲线的形状。用机器学习的术语来说,用于估计参数的过程叫做“训练算法”(training the algorithm)。
  • 第二件事情就是,我们要评估一下所选的这个方法工作起来到底行不行。也就是说,我们需要评估一下,找出的这条曲线能否对新的数据进行很好地归类。用机器学习的术语来讲,评估一个方法的好坏叫做“检验算法”(testing the algorithm)。
  • Cross validation思想
  • 最不好的方法是把全部数据拿去构建模型,因为就没有数据用于评估当前算法的优劣。如果此时是使用全部数据再去评估当前算法的优劣也不是太好,因为无法知道当前模型对未知数据的预测能力如何。比较好的好的方法是将数据均分为多份,一部分用于训练,一部分用于测试。比如将数据分为4等份,其中三份用于建模,一份用于测试。


  • 但是,我们是怎么知道把数据分为前75%和后25%是一种最好的方法呢;相比较再去寻找方法去判断最佳的数据拆分方案,不如直接将所有的拆分方案都计算一遍,然后再汇总结果。如下图所示,相应的测试结果见图中标识,最终合并结果可以知道有16个测试结果分类正确,8个测试结果分类错误。


  • 最终,每一部分数据都用于了检验,然后我们就可以比较不同的算法检验的结果,如下所示:
  • 结果表明在本次数据中,使用支持向量机(SVM)的方法是最好的。
  • 上述过程中,使用的交叉验证方法由于将数据分成了4份,因此又叫做4折交叉验证。这种方法属于一种叫做S折交叉验证(S-Folder Cross Validation)的方法,S是分成的数据份数。
  • 还有一些极端情况,比如只留一个样本作为测试,剩余的所有样本作为训练数据,这种方法叫做留一交叉验证(Leave-one-out Cross Validation),这种情况一般是在数据量很少的时候采用,如50个以下。

三、混淆矩阵(Confusion Matrix)

例子:

  • 我们有一些临床测量, 比如胸痛, 血液循环情况, 动脉阻塞以及体重,我们想用机器学习的方法来预测是否有人会发展出心脏病:


  • 为此, 我们可以使用 Logistic 回归或 k-近邻或随机森等,这将是使用交叉验证的绝佳机会
    。然后我们用训练集来训练所有我们感兴趣的方法,得到拟合后的结果后然后基于测试集来测试每个方法
  • 现在我们需要总结每种方法在测试集上的表现 (预测准确与否),一种方法是为每个方法创建一个混淆矩阵。


步骤:

  • 1.数据:数据分为训练集+测试数,用训练集来训练我们感兴趣的方法,基于测试集来测试每个方法;
  • 2.混淆矩阵:总结每种方法在测试机上的表现


  • Logistic回顾分析和决策树差不多时;需要用其他指标来衡量:如:


  • 让我们来看一个更复杂的矩阵,这是一组新的数据,现在的问题是, 基于人们对下列电影的看法:


  • 如《侏罗纪公园 3》,《奔跑·脱单》, 《走出寒冷》,《Out Kold》,《天降神兵》,我们能用机器学习的方法来预测他们最喜欢的电影吗?
  • 如果可供选择的最喜欢的电影只有3个:《矮人怪2》, 《东京残酷警察》, 《酷得像冰》,那么混淆矩阵将有三行三列:



四、敏感度和特异性

概念:敏感度和特异性


  • 根据你的数据模型达到的目的:通过敏感度和特异性选择不同机器学习方法。

五、偏差和方差(Bias and Variance)

概念:方差与偏差

  • 偏差度量了学习算法的期望预测与真实结果的偏离程度,即刻画了学习算法本身的拟合能力;方差度量了同样大小的数据集的变动(即样本数相同的不同数据集)所导致的学习性能的变化,即刻画了数据扰动所造成的影响。
  • 两者往往此消彼长。

六+七、ROC 和 AUC

概念:









ROC在R中实现:

#first thing:load pROC,it will draw ROC graphs for us.
#install.packages("pROC")
library(pROC)

# a Random Forest is a way to claasifyy samples 
#and we can change the threshold that we use to make those decisions
library(randomForest)
set.seed(420)
num.samples = 100
weight=sort(rnorm(n=num.samples,mean = 172,sd=29)) #rnorm generate 100random values
#classify
obese <- ifelse(test = (runif(n=num.samples)<(rank(weight)/100)),
                        yes=1,no=0)
obese
plot(x=weight,y=obese)
#glm to fit a logistic regression curve
glm.fit=glm(obese~weight,family = binomial)
lines(weight,glm.fit$fitted.values)
#ROC 
par(pty="s")#"s"ROC图修改为square
#roc(obese,glm.fit$fitted.values,plot = TRUE,legacy.axes=TRUE)#plot = TRUE做出ROC图
#legacy.axes=TRUE 横坐标:1-Specificity
roc(obese,glm.fit$fitted.values,plot = TRUE,legacy.axes=TRUE,percent=TRUE,
    #修改坐标轴名称
    xlab="False Positive Percentage",ylab="True Positive Percentage",
    col="#377eb8",lwd=4,print.auc=TRUE,print.auc.x=45,partial.auc=c(100,90),
    auc.polygon=TRUE,auc.polygon.col="#377eb822")
roc.info=roc(obese,glm.fit$fitted.values,plot = TRUE,legacy.axes=TRUE)#plot = TRUE做出ROC图

#Partial AUC:when you want to focus on part of the ROC curve that only allows for a small number of False Positive
roc.df=data.frame(
  tpp=roc.info$sensitivities*100,
  fpp=(1- roc.info$specificities)*100,
  thresholds=roc.info$thresholds
)
#悬着范围
roc.df[roc.df$tpp>60 & roc.df$tpp<80,]


##比较两个:
rf.model=randomForest(factor(obese)~weight)
roc(obese,glm.fit$fitted.values,plot = TRUE,legacy.axes=TRUE,percent=TRUE,
    #修改坐标轴名称
    xlab="False Positive Percentage",ylab="True Positive Percentage",
    col="#377eb8",lwd=4,print.auc=TRUE)
plot.roc(obese,rf.model$votes[,1],percent=TRUE,col="#4daf4a",lwd=4,
        print.auc=TRUE,add=TRUE,print.auc.y=40)
legend("bottomright",legend = c("Lgisitic","Random Forest"),
         col=c("#377eb8","#4daf4a"),lwd=4)
#plot.roc 相似于 roc
#add=TRUE 将两图加在一起
#print.auc.y=40 两者AUC错开

Setting levels: control = 0, case = 1 Setting direction: controls < cases Call: roc.default(response = obese, predictor = glm.fit$fitted.values, plot = TRUE) Data: glm.fit$fitted.values in 45 controls (obese 0) < 55 cases (obese 1). Area under the curve: 0.8291

八、最小二乘法

九+十、比率、比率对数 (Odds and log Odds)及 比率比、比率比对数

  • 比率不是概率
  • 比率(Odds):是事件发生:事件不发生
    例子:球队8场:win 5 and loss 3,所以赢球比率为5:3=1.7,概率为5:8;因此可以用概率反推处比率=5/8 :3/8=5/3
  • 比率Odds=p/(1-p) p表示概率
  • Log(Odds)是为了让比率更好的统计,例子:Log(1/6)和Log6在坐标轴上是对对称的。Log(Odds)=Log(p/(1-p) )是logistic回归分析的基础。

用Fisher's Exact Test 和超几何分布进行富集分析

比率比和比率比对数告诉我们两个事物之间是否有强或弱的关系
例子:比如有突变的基因是否会增加患癌症的比率

  • 验证两者之间关系是否有统计学差异时,可以根据自己的领域选择以下三种:



十一、逻辑回归(Logistic Regression)

  • Logistic回归区别于Liner Regression,Logistic perdicts whether something is Ture or False.
  • it is usually used for classification
  • Logistic Regression can work with continuous data and discrete data.



参考生信菜鸟团系列笔记:

StatQuest生物统计学专题 - logistic回归

©著作权归作者所有,转载或内容合作请联系作者
  • 序言:七十年代末,一起剥皮案震惊了整个滨河市,随后出现的几起案子,更是在滨河造成了极大的恐慌,老刑警刘岩,带你破解...
    沈念sama阅读 203,547评论 6 477
  • 序言:滨河连续发生了三起死亡事件,死亡现场离奇诡异,居然都是意外死亡,警方通过查阅死者的电脑和手机,发现死者居然都...
    沈念sama阅读 85,399评论 2 381
  • 文/潘晓璐 我一进店门,熙熙楼的掌柜王于贵愁眉苦脸地迎上来,“玉大人,你说我怎么就摊上这事。” “怎么了?”我有些...
    开封第一讲书人阅读 150,428评论 0 337
  • 文/不坏的土叔 我叫张陵,是天一观的道长。 经常有香客问我,道长,这世上最难降的妖魔是什么? 我笑而不...
    开封第一讲书人阅读 54,599评论 1 274
  • 正文 为了忘掉前任,我火速办了婚礼,结果婚礼上,老公的妹妹穿的比我还像新娘。我一直安慰自己,他们只是感情好,可当我...
    茶点故事阅读 63,612评论 5 365
  • 文/花漫 我一把揭开白布。 她就那样静静地躺着,像睡着了一般。 火红的嫁衣衬着肌肤如雪。 梳的纹丝不乱的头发上,一...
    开封第一讲书人阅读 48,577评论 1 281
  • 那天,我揣着相机与录音,去河边找鬼。 笑死,一个胖子当着我的面吹牛,可吹牛的内容都是我干的。 我是一名探鬼主播,决...
    沈念sama阅读 37,941评论 3 395
  • 文/苍兰香墨 我猛地睁开眼,长吁一口气:“原来是场噩梦啊……” “哼!你这毒妇竟也来了?” 一声冷哼从身侧响起,我...
    开封第一讲书人阅读 36,603评论 0 258
  • 序言:老挝万荣一对情侣失踪,失踪者是张志新(化名)和其女友刘颖,没想到半个月后,有当地人在树林里发现了一具尸体,经...
    沈念sama阅读 40,852评论 1 297
  • 正文 独居荒郊野岭守林人离奇死亡,尸身上长有42处带血的脓包…… 初始之章·张勋 以下内容为张勋视角 年9月15日...
    茶点故事阅读 35,605评论 2 321
  • 正文 我和宋清朗相恋三年,在试婚纱的时候发现自己被绿了。 大学时的朋友给我发了我未婚夫和他白月光在一起吃饭的照片。...
    茶点故事阅读 37,693评论 1 329
  • 序言:一个原本活蹦乱跳的男人离奇死亡,死状恐怖,灵堂内的尸体忽然破棺而出,到底是诈尸还是另有隐情,我是刑警宁泽,带...
    沈念sama阅读 33,375评论 4 318
  • 正文 年R本政府宣布,位于F岛的核电站,受9级特大地震影响,放射性物质发生泄漏。R本人自食恶果不足惜,却给世界环境...
    茶点故事阅读 38,955评论 3 307
  • 文/蒙蒙 一、第九天 我趴在偏房一处隐蔽的房顶上张望。 院中可真热闹,春花似锦、人声如沸。这庄子的主人今日做“春日...
    开封第一讲书人阅读 29,936评论 0 19
  • 文/苍兰香墨 我抬头看了看天上的太阳。三九已至,却和暖如春,着一层夹袄步出监牢的瞬间,已是汗流浃背。 一阵脚步声响...
    开封第一讲书人阅读 31,172评论 1 259
  • 我被黑心中介骗来泰国打工, 没想到刚下飞机就差点儿被人妖公主榨干…… 1. 我叫王不留,地道东北人。 一个月前我还...
    沈念sama阅读 43,970评论 2 349
  • 正文 我出身青楼,却偏偏与公主长得像,于是被迫代替她去往敌国和亲。 传闻我的和亲对象是个残疾皇子,可洞房花烛夜当晚...
    茶点故事阅读 42,414评论 2 342