昨晚，小伙伴收到了大魚(yú)海棠為我們帶來(lái)的FigureYa182RFSurv，使用隨機(jī)森林對(duì)生存數(shù)據(jù)降維，根據(jù)變量重要性排序并篩選基因組成prognostic signature。

這是我們第二次眾籌隨機(jī)森林相關(guān)分析，上次的FigureYa159LR_RF，是在LASSO降維的基礎(chǔ)上，采用logistic regression或Random forest的方法，進(jìn)行5-fold cross-validation評(píng)估LASSO selected feature的預(yù)測(cè)效能。

大魚(yú)海棠為我們帶來(lái)了眾多或經(jīng)典或酷炫的好用代碼，具有豐富的醫(yī)學(xué)統(tǒng)計(jì)分析經(jīng)驗(yàn)。這次建立FigureYa182RFSurv專屬討論群，請(qǐng)大魚(yú)海棠入群答疑。小伙伴就相關(guān)問(wèn)題展開(kāi)討論，小丫整理記錄下來(lái)，留下這寶貴資源。

---

HSZ：請(qǐng)問(wèn)這個(gè)安裝是哪里出問(wèn)題了，我百度也不知道怎么解決？

大魚(yú)海棠：https://share.weiyun.com/0Qk7bvR6，直接把這個(gè)拖到R的library下解壓試試，我以前這樣做似乎也可以用，在windows里。

ZJH問(wèn)：老師，您好！imp.cutoff這個(gè)重要性閾值的怎么選擇？

大魚(yú)海棠：沒(méi)有固定cutoff。結(jié)果導(dǎo)向的，嫌結(jié)果太多就設(shè)高一點(diǎn)

LGM問(wèn)：海棠哥好，請(qǐng)教一下篩選出來(lái)的特征要組合成預(yù)后signature，是還需要進(jìn)一步使用多因素COX回歸來(lái)求變量的系數(shù)嗎？

大魚(yú)海棠：嗯我會(huì)建議這樣做，但是多因素這部不進(jìn)行變量篩選了。

Allittis問(wèn)：海棠老師的意思是直接多因素全部納入算一個(gè)系數(shù)即可，是不？

LGM問(wèn)：不進(jìn)行逐步回歸？

大魚(yú)海棠：對(duì)的，因?yàn)槟阋呀?jīng)認(rèn)為RF得出來(lái)的是你感興趣的變量了。當(dāng)然你非要再逐步回歸，從操作性上來(lái)講沒(méi)有問(wèn)題。

零度反應(yīng)問(wèn)：如果這個(gè)得到的基因太多呢，可不可以再用逐步回歸？

大魚(yú)海棠：可以

零度反應(yīng)：因?yàn)橹坝眠^(guò)這個(gè)，也用過(guò)你寫(xiě)的lasso回歸的方法，但最后得到的signature基因相對(duì)多一點(diǎn)，然后有時(shí)auc優(yōu)勢(shì)也并不明顯

大魚(yú)海棠：survival的auc一般都不會(huì)那么高。。因?yàn)椴粌H僅是二分類問(wèn)題，考慮了time-to-event

零度反應(yīng)：所以又進(jìn)行了多因素，最起碼基因會(huì)少一些，感覺(jué)上好那么一丟丟。

LGM問(wèn)：關(guān)于組合成預(yù)后signature還想再請(qǐng)教一下

一篇文章使用COX回歸得到了感興趣的基因，但是risk score 的計(jì)算居然是表達(dá)量跟HR相乘。有這樣的處理方式嗎？

Allittis：HR的置信區(qū)間好大

唐淵：估計(jì)是數(shù)據(jù)沒(méi)有做歸一化處理導(dǎo)致HR 值這么大。

LZQ：scale一下一般會(huì)小一些

大魚(yú)海棠：多個(gè)數(shù)據(jù)集驗(yàn)證的話，都會(huì)建議每個(gè)數(shù)據(jù)集都要scale，尤其是針對(duì)不同平臺(tái)。

CSJ問(wèn)：請(qǐng)問(wèn)R中可以獲取基因的coefficients值么，我看原文中提到這個(gè)值是由random forest algorithm得到的，但是我在結(jié)果中沒(méi)有找到這個(gè)值~

LZQ：這個(gè)應(yīng)該是單因素cox的coef，決策樹(shù)是無(wú)參ML。HR=e^coef
對(duì)應(yīng)的HR值轉(zhuǎn)化一下就得到了。

大魚(yú)海棠：我覺(jué)得也是，coef，HR以及對(duì)應(yīng)的95%CI應(yīng)該是后算的，單因素cox直接summary一下都有。

DMY問(wèn)：我在分析數(shù)據(jù)的時(shí)候發(fā)現(xiàn)如果用TCGA做訓(xùn)練集，而用GEO做驗(yàn)證集，結(jié)果發(fā)現(xiàn)訓(xùn)練集中獲得的關(guān)鍵基因在GEO數(shù)據(jù)集中不存在，那我應(yīng)該反過(guò)來(lái)用GEO做訓(xùn)練集呢？還是先取 TCGA和GEO的交集后再分析？謝謝啦！

砍柴人：先基因取交集啊

DMY：那用隨機(jī)森林和支持向量機(jī)這兩種方法篩選關(guān)鍵基因，那個(gè)更好呢？還是用組合的方式來(lái)篩選@大魚(yú)海棠

大魚(yú)海棠：組合的方式只是為了。。虛假的工作量吧，多寫(xiě)幾段method。我不太認(rèn)可這種做法，尤其是需要其中的指標(biāo)時(shí)。比如LASSO和SVM一起用，那LASSO里的系數(shù)怎么辦？

DMY：那有沒(méi)有一個(gè)更好的組合呢？比如先差異篩選，再單COX，再隨機(jī)森林，最后多COX?

大魚(yú)海棠：這些方法最后都是結(jié)果導(dǎo)向型，沒(méi)有什么最好的組合。。

DMY：AUC值通常多少比較合適呢？必須0.7以上么？

大魚(yú)海棠：訓(xùn)練集我會(huì)建議0.8以上吧。

砍柴人：訓(xùn)練集0.8以上，那測(cè)試集可以得到多少？

大魚(yú)海棠：看運(yùn)氣

DMY：嗯，有時(shí)候經(jīng)常是在TCGA訓(xùn)練集很高，到了GEO驗(yàn)證的時(shí)候就很低了，不懂是不是數(shù)據(jù)需要?dú)w一化處理。

大魚(yú)海棠：要?dú)w一化處理

DMY：難怪呢，我平時(shí)都沒(méi)做歸一化，結(jié)果差別很大。有沒(méi)有同時(shí)對(duì)所有訓(xùn)練集和驗(yàn)證集進(jìn)行歸一化處理的方法呢？謝謝啦！

大魚(yú)海棠：z-score最方便。個(gè)人覺(jué)得0-1區(qū)間變換最嚴(yán)謹(jǐn)，但是沒(méi)必要。

DMY：先取基因交集，然后合并所有數(shù)據(jù)集，再用Z-score歸一化，再拆分?jǐn)?shù)據(jù)進(jìn)行分析，是這個(gè)邏輯么？謝謝啦

大魚(yú)海棠：分別zscore，不會(huì)合并zscore。tcga數(shù)據(jù)要先log，用TPM。

DMY：謝謝啦，受益匪淺！

CGD：所以請(qǐng)問(wèn)是先將tcga的tpm數(shù)據(jù)zscore后再建模，然后在geo的zscore后的數(shù)據(jù)中驗(yàn)證模型是嗎？是這樣的順序嗎，感謝！

DMY：前面大魚(yú)海棠 有說(shuō)，先在TCGA中對(duì)tpm進(jìn)行l(wèi)og2后再zscore

LGM問(wèn)：能不能再眾籌個(gè)不同平臺(tái)數(shù)據(jù)的標(biāo)準(zhǔn)化？

DMY：感覺(jué)可行，數(shù)據(jù)清理確實(shí)很重要。確實(shí)跨平臺(tái)驗(yàn)證會(huì)面臨很多問(wèn)題，同一平臺(tái)也會(huì)有批次效應(yīng)，所以我在處理多GEO數(shù)據(jù)集的時(shí)候都先去除批次效應(yīng)并合并后，再進(jìn)行下面分析。

大魚(yú)海棠：你們可以了解一下gene pair，完美回避批次。是一個(gè)比較熱的，回避標(biāo)準(zhǔn)化的，跨平臺(tái)數(shù)據(jù)處理理念，但是數(shù)據(jù)的量級(jí)會(huì)比較大。

The one：gene pair[強(qiáng)][強(qiáng)][強(qiáng)]，知道這個(gè)東西，沒(méi)嘗試過(guò)，晚上回去試下！

DMY：我前面看一些教程里面寫(xiě)隨機(jī)森林對(duì)二分類變量預(yù)測(cè)效果最佳，比如生死，患病與否，但是病人的生存數(shù)據(jù)里還有生存時(shí)間，應(yīng)該用二分類變量作為結(jié)局變量么？如生死，還是以連續(xù)性變量生存時(shí)間作為結(jié)局變量比較好，謝謝啦。

大魚(yú)海棠：有研究不關(guān)心時(shí)間，只關(guān)心生死的，看個(gè)人目的吧。隨機(jī)森林對(duì)二分類最佳也沒(méi)有這種說(shuō)法，看觀測(cè)和變量的比例。邏輯回歸這種就很robust，而且可以寫(xiě)出關(guān)系式，推薦的還是邏輯回歸。

DMY：那研究是否復(fù)發(fā)，或者轉(zhuǎn)移，也是不錯(cuò)的選擇哈！

大魚(yú)海棠：是的。

Paul：老師您好，我想請(qǐng)一下xgboost會(huì)不會(huì)比隨機(jī)森林樹(shù)更好一些？

大魚(yú)海棠：沒(méi)有方法有絕對(duì)的優(yōu)勢(shì)。。不然老方法就完全淘汰了不是嗎？分類算法、聚類算法都是result-oriented。我相信。。你們也會(huì)試不同的方法得到自己expected的結(jié)果吧！

DMY：感覺(jué)都是先用各種方法先分析，那個(gè)結(jié)果好就用那個(gè)，均衡來(lái)選擇，結(jié)果導(dǎo)向，今天又做到一個(gè)新知識(shí)，謝謝大神！

DMY：請(qǐng)問(wèn)內(nèi)部驗(yàn)證應(yīng)該分配多少樣品比例比較好呢？有些文章按照每組50％來(lái)分配，有些按照80％訓(xùn)練和20％來(lái)分，那個(gè)更好呢？

Paul：7：3，1：1的都有用，結(jié)果導(dǎo)向。

大魚(yú)海棠：對(duì)，結(jié)果導(dǎo)向。五折多一些，只要不太離譜。

贊美太陽(yáng)：請(qǐng)教個(gè)問(wèn)題，為什么不用rfsrc這個(gè)函數(shù)篩選變量？

大魚(yú)海棠：沒(méi)有用新的函數(shù)包

贊美太陽(yáng)：那么rfs之后可以自行再來(lái)一發(fā)var.select嗎？

大魚(yú)海棠：感覺(jué)沒(méi)必要

贊美太陽(yáng)：嗯，我覺(jué)得只要能說(shuō)通就可以了。

總結(jié)

以上是生活随笔為你收集整理的随机森林需要分训练集测试集吗_讨论记录用随机森林对生存数据降维，筛选signature...的全部?jī)?nèi)容，希望文章能夠幫你解決所遇到的問(wèn)題。

如果覺(jué)得生活随笔網(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。