关于算法:R语言中的偏最小二乘回归PLSDA

主成分回归（PCR）的办法实质上是应用第一个办法的一般最小二乘（OLS）拟合来自预测变量的主成分（PC）。这带来许多长处：

预测变量的数量实际上没有限度。
相干的预测变量不会毁坏回归拟合。

然而，在许多状况下，执行相似于 PCA 的合成要理智得多。

明天，咱们将在 Arcene 数据集上执行 PLS-DA，其中蕴含 100 个察看值和 10,000 个解释变量。

癌症 / 无癌标签（编码为 -1 / 1）存储在不同的文件中，因而咱们能够将其间接附加到残缺的数据集，而后应用公式语法来训练模型。

# 装置加载

library(caret)
arcene <- read.table("train.data", sep = " ",
 colClasses = c(rep("numeric", 10000), "NULL"))

# 将标签增加为附加列


arcene$class <- factor(scan("rain.labels", sep = "\\t"))

当初的次要问题是：

咱们如何依据其血清的 MS 谱精确预测患者是否生病？
哪种蛋白质 / MS 峰最能辨别患者和衰弱患者？

对于预处理，咱们将应用 preProc 参数以准确的程序删除零方差预测变量，并对所有残余的变量进行标准化。思考样本的大小（_n_= 100），我将抉择 10 次反复的 5 折穿插验证（CV）–大量反复补救了因缩小的验证次数而产生的高方差–总共进行了 50 次准确性估算。

# 编译穿插验证设置


set.seed(100)
myfolds <- createMultiFolds(arcene$class, k = 5, times = 10)
control <- trainControl("repeatedcv", index = myfolds, selectionFunction = "oneSE")

此图描述了 CV 曲线，在这里咱们能够学习从应用不同数量的 LV（_x_轴）训练的模型中取得的均匀准确度（_y_轴，%）。

当初，咱们进行线性判别分析（LDA）进行比拟。咱们还能够尝试一些更简单的模型，例如随机森林（RF）。

最初，咱们能够比拟 PLS-DA，PCA-DA 和 RF 的准确性。

咱们将应用 resamples 编译这三个模型，并借用 ggplot2 的绘图性能来比拟三种状况下最佳穿插验证模型的 50 个准确性估计值。

显然，长时间的 RF 运行并没有转化为杰出的性能，恰恰相反。只管三个模型的均匀性能类似，但 RF 的精度差别要大得多，如果咱们要寻找一个鲁棒的模型，这当然是一个问题。在这种状况下，PLS-DA 和 PCA-DA 体现出最好的性能（准确度为 63-95%），并且这两种模型在诊断新血清样品中的癌症方面都表现出色。

总而言之，咱们将应用 PLS-DA 和 PCA-DA 中预测的变量重要性（ViP）确定十种最能诊断癌症的蛋白质。

下面的 PLS-DA ViP 图分明地将 V1184 与所有其余蛋白质辨别开。这可能是一个乏味的癌症生物标志物。当然，必须进行许多其余测试和模型来提供牢靠的诊断工具。

关于算法:R语言中的偏最小二乘回归PLSDA

原文链接：http://tecdat.cn/?p=8890

让咱们开始应用 R