昨晚，小伙伴收到了大魚海棠為我們帶來的FigureYa182RFSurv，使用隨機森林對生存數據降維，根據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森林相關分析，上次的FigureYa159LR_RF，是在LASSO降維的基礎上，采用logistic regression或Random forest的方法，進行5-fold cross-validation評估LASSO selected feature的預測效能。

大魚海棠為我們帶來了眾多或經典或酷炫的好用代碼，具有豐富的醫學統計分析經驗。這次建立FigureYa182RFSurv專屬討論群，請大魚海棠入群答疑。小伙伴就相關問題展開討論，小丫整理記錄下來，留下這寶貴資源。

---

HSZ：請問這個安裝是哪里出問題了，我百度也不知道怎么解決？

大魚海棠：https://share.weiyun.com/0Qk7bvR6，直接把這個拖到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：老師，您好！imp.cutoff這個重要性閾值的怎么選擇？

大魚海棠：沒有固定cutoff。結果導向的，嫌結果太多就設高一點

LGM問：海棠哥好，請教一下篩選出來的特征要組合成預后signature，是還需要進一步使用多因素COX回歸來求變量的系數嗎？

大魚海棠：嗯我會建議這樣做，但是多因素這部不進行變量篩選了。

Allittis問：海棠老師的意思是直接多因素全部納入算一個系數即可，是不？

LGM問：不進行逐步回歸？

大魚海棠：對的，因為你已經認為RF得出來的是你感興趣的變量了。當然你非要再逐步回歸，從操作性上來講沒有問題。

零度反應問：如果這個得到的基因太多呢，可不可以再用逐步回歸？

大魚海棠：可以

零度反應：因為之前用過這個，也用過你寫的lasso回歸的方法，但最后得到的signature基因相對多一點，然后有時auc優勢也并不明顯

大魚海棠：survival的auc一般都不會那么高。。因為不僅僅是二分類問題，考慮了time-to-event

零度反應：所以又進行了多因素，最起碼基因會少一些，感覺上好那么一丟丟。

LGM問：關于組合成預后signature還想再請教一下

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

Allittis：HR的置信區間好大

唐淵：估計是數據沒有做歸一化處理導致HR 值這么大。

LZQ：scale一下一般會小一些

大魚海棠：多個數據集驗證的話，都會建議每個數據集都要scale，尤其是針對不同平臺。

CSJ問：請問R中可以獲取基因的coefficients值么，我看原文中提到這個值是由random forest algorithm得到的，但是我在結果中沒有找到這個值~

LZQ：這個應該是單因素cox的coef，決策樹是無參ML。HR=e^coef
對應的HR值轉化一下就得到了。

大魚海棠：我覺得也是，coef，HR以及對應的95%CI應該是后算的，單因素cox直接summary一下都有。

DMY問：我在分析數據的時候發現如果用TCGA做訓練集，而用GEO做驗證集，結果發現訓練集中獲得的關鍵基因在GEO數據集中不存在，那我應該反過來用GEO做訓練集呢？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：那用隨機森林和支持向量機這兩種方法篩選關鍵基因，那個更好呢？還是用組合的方式來篩選@大魚海棠

大魚海棠：組合的方式只是為了。。虛假的工作量吧，多寫幾段method。我不太認可這種做法，尤其是需要其中的指標時。比如LASSO和SVM一起用，那LASSO里的系數怎么辦？

DMY：那有沒有一個更好的組合呢？比如先差異篩選，再單COX，再隨機森林，最后多COX?

大魚海棠：這些方法最后都是結果導向型，沒有什么最好的組合。。

DMY：AUC值通常多少比較合適呢？必須0.7以上么？

大魚海棠：訓練集我會建議0.8以上吧。

砍柴人：訓練集0.8以上，那測試集可以得到多少？

大魚海棠：看運氣

DMY：嗯，有時候經常是在TCGA訓練集很高，到了GEO驗證的時候就很低了，不懂是不是數據需要歸一化處理。

大魚海棠：要歸一化處理

DMY：難怪呢，我平時都沒做歸一化，結果差別很大。有沒有同時對所有訓練集和驗證集進行歸一化處理的方法呢？謝謝啦！

大魚海棠：z-score最方便。個人覺得0-1區間變換最嚴謹，但是沒必要。

DMY：先取基因交集，然后合并所有數據集，再用Z-score歸一化，再拆分數據進行分析，是這個邏輯么？謝謝啦

大魚海棠：分別zscore，不會合并zscore。tcga數據要先log，用TPM。

DMY：謝謝啦，受益匪淺！

CGD：所以請問是先將tcga的tpm數據zscore后再建模，然后在geo的zscore后的數據中驗證模型是嗎？是這樣的順序嗎，感謝！

DMY：前面大魚海棠 有說，先在TCGA中對tpm進行log2后再zscore

LGM問：能不能再眾籌個不同平臺數據的標準化？

DMY：感覺可行，數據清理確實很重要。確實跨平臺驗證會面臨很多問題，同一平臺也會有批次效應，所以我在處理多GEO數據集的時候都先去除批次效應并合并后，再進行下面分析。

大魚海棠：你們可以了解一下gene pair，完美回避批次。是一個比較熱的，回避標準化的，跨平臺數據處理理念，但是數據的量級會比較大。

The one：gene pair[強][強][強]，知道這個東西，沒嘗試過，晚上回去試下！

DMY：我前面看一些教程里面寫隨機森林對二分類變量預測效果最佳，比如生死，患病與否，但是病人的生存數據里還有生存時間，應該用二分類變量作為結局變量么？如生死，還是以連續性變量生存時間作為結局變量比較好，謝謝啦。

大魚海棠：有研究不關心時間，只關心生死的，看個人目的吧。隨機森林對二分類最佳也沒有這種說法，看觀測和變量的比例。邏輯回歸這種就很robust，而且可以寫出關系式，推薦的還是邏輯回歸。

DMY：那研究是否復發，或者轉移，也是不錯的選擇哈！

大魚海棠：是的。

Paul：老師您好，我想請一下xgboost會不會比隨機森林樹更好一些？

大魚海棠：沒有方法有絕對的優勢。。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。。你們也會試不同的方法得到自己expected的結果吧！

DMY：感覺都是先用各種方法先分析，那個結果好就用那個，均衡來選擇，結果導向，今天又做到一個新知識，謝謝大神！

DMY：請問內部驗證應該分配多少樣品比例比較好呢？有些文章按照每組50％來分配，有些按照80％訓練和20％來分，那個更好呢？

Paul：7：3，1：1的都有用，結果導向。

大魚海棠：對，結果導向。五折多一些，只要不太離譜。

贊美太陽：請教個問題，為什么不用rfsrc這個函數篩選變量？

大魚海棠：沒有用新的函數包

贊美太陽：那么rfs之后可以自行再來一發var.select嗎？

大魚海棠：感覺沒必要

贊美太陽：嗯，我覺得只要能說通就可以了。

總結

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...的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。