今天分享一期有机器学习随机森林来筛选肿瘤，主要展示如何利用R语言构建机器学习模型，基于基因表达数据进行癌症分类，完整代码联系老师免费获取。
一、数据准备与预处理
1.1 加载乳腺癌数据集
我们使用
mlbench
包里面的乳腺癌数据集
# install.packages("caret")
# install.packages("mlbench")
# install.packages("pROC")
# install.packages("ggplot2")
# install.packages("randomForest")
# 加载必要包
library(caret)
library(mlbench)
library(pROC)
library(ggplot2)
library(randomForest)
# 载入乳腺癌数据集
data(BreastCancer)
dim(BreastCancer) # 699个样本 x 11个特征
# 数据预处理
df <- BreastCancer[,-1] # 移除ID列
df$Class <- factor(make.names(ifelse(df$Class == "malignant", 1, 0)))
df <- df[complete.cases(df), ] # 移除缺失值
cat("原始数据维度：", dim(BreastCancer))
cat("处理后数据维度：", dim(df))
运行结果：
原始数据维度：699 x 11
处理后数据维度：683 x 10
1.2 数据标准化与分割
# 划分训练集/测试集
set.seed(123)
trainIndex <- createDataPartition(df$Class, p=0.8, list=FALSE)
train <- df[trainIndex, ]
test <- df[-trainIndex, ]
# 标准化处理（中心化+缩放）
preProc <- preProcess(train[,-10], method=c("center", "scale"))
train_scaled <- predict(preProc, train)
test_scaled <- predict(preProc, test)
可以看到标准化后的训练集和测试集
train_scaled
和
test_scaled
的数据如下
接下来开始跑随机森林机器学习
二、随机森林模型构建
2.1 模型训练
# 设置交叉验证
ctrl <- trainControl(method="cv",
number=5,
classProbs=TRUE,
summaryFunction=twoClassSummary)
# 训练随机森林模型
rf_model <- train(Class ~ .,
data=train_scaled,
method="rf",
trControl=ctrl,
metric="ROC")
上面代码是设置了交叉验证的参数，包括使用5折交叉验证、计算类别概率，并使用
twoClassSummary
函数来评估模型性能，再使用随机森林算法训练模型，并使用前面设置的交叉验证参数来评估模型性能，主要关注ROC曲线下的面积（AUC）。
模型输出：
2.2 模型评估
训练模型后，我们用测试集来验证模型的训练效果
# 测试集预测
pred <- predict(rf_model, newdata=test_scaled)
prob <- predict(rf_model, newdata=test_scaled, type="prob")[,2]
# 混淆矩阵
confusionMatrix(pred, test_scaled$Class)
我们可以看到混淆矩阵（红框部分）
-
行（Prediction） ：模型的预测结果。 -
列（Reference） ：真实的类别标签。 -
X0 和 X1 是两个类别。 -
具体数值 ： -
85 ：模型正确预测为 X0的样本数（True Positives, TP）。 -
2 ：模型错误地将 X1预测为X0的样本数（False Positives, FP）。 -
3 ：模型错误地将 X0预测为X1的样本数（False Negatives, FN）。 -
45 ：模型正确预测为 X1的样本数（True Negatives, TN）。
以及关键的统计指标
-
Accuracy（准确率） ： -
值： 0.963（96.3%）。 -
解释：模型在测试集上的整体预测正确率。 -
95% Confidence Interval（95% 置信区间） ： -
值： (0.9157, 0.9879)。 -
解释：准确率的置信区间，表示我们有 95% 的置信度认为真实准确率在这个范围内。 -
No Information Rate（无信息率） ： -
值： 0.6519（65.19%）。 -
解释：如果模型总是预测多数类（ X0），其准确率会达到 65.19%。这里模型的准确率（96.3%）显著高于无信息率，说明模型性能很好。 -
P-Value [Acc > NIR] ： -
值： <2e-16。 -
解释：这是一个假设检验的 p 值，用于检验模型的准确率是否显著高于无信息率。 <2e-16表示模型准确率显著高于无信息率。 -
Kappa（卡帕系数） ： -
值： 0.9188。 -
解释：卡帕系数用于衡量模型预测结果与随机预测的一致性。取值范围为 [-1, 1]，值越接近 1 表示模型性能越好。0.9188表示模型性能非常好。
最后我们绘制来可视化上面的结果
三、可视化分析
3.1 ROC曲线
# ROC曲线
roc_obj <- roc(test_scaled$Class, prob)
ggroc(roc_obj, color="#4E79A7") +
geom_abline(slope=1, intercept=1, linetype="dashed") +
ggtitle("ROC") +
theme_minimal()
ROC 提用于评估模型的分类性能，我们主要关注 ROC 曲线的形状和 AUC 值，值越接近 1 表示模型性能越好。
3.2 特征重要性
# 特征重要性
varImpPlot(rf_model$finalModel,
main="Feature Importance Ranking",
col="#F28E2B",
pch=19)
varImp 用于分析随机森林模型中各个特征的重要性。我们主要关注哪些特征的柱子较高，这些特征对模型的预测贡献较大。
总结
我们通过使用乳腺癌数据集，构建随机森林模型来筛选肿瘤样本，主要流程包括完成缺失值处理与标准化，再分割训练集和测试集，使用训练集训练模型，再使用测试集验证，以及最后的ROC，varImp可视化。
完整代码联系老师免费获取（备注“随机森林”）
以上就是今天的内容，希望对你有帮助！欢迎点赞、在看、关注、转发。