前面機器學習第18篇 - Boruta特征變量篩選（2）已經完成了特征變量篩選，下面看下基于篩選的特征變量構建的模型準確性怎樣？

定義一個函數生成一些列用來測試的mtry (一系列不大于總變量數的數值)。

generateTestVariableSet <- function(num_toal_variable){max_power <- ceiling(log10(num_toal_variable))tmp_subset <- unique(unlist(sapply(1:max_power, function(x) (1:10)^x, simplify = F)))sort(tmp_subset[tmp_subset<num_toal_variable]) }

選擇關鍵特征變量相關的數據

# withTentative=F: 不包含tentative變量 boruta.confirmed <- getSelectedAttributes(boruta, withTentative = F)# 提取訓練集的特征變量子集 boruta_train_data <- train_data[, boruta.confirmed] boruta_mtry <- generateTestVariableSet(length(boruta.confirmed))

使用 Caret 進行調參和建模

library(caret) # Create model with default parameters trControl <- trainControl(method="repeatedcv", number=10, repeats=5)# train model if(file.exists('rda/borutaConfirmed_rf_default.rda')){borutaConfirmed_rf_default <- readRDS("rda/borutaConfirmed_rf_default.rda") } else {# 設置隨機數種子，使得結果可重復seed <- 1set.seed(seed)# 根據經驗或感覺設置一些待查詢的參數和參數值tuneGrid <- expand.grid(mtry=boruta_mtry)borutaConfirmed_rf_default <- train(x=boruta_train_data, y=train_data_group, method="rf", tuneGrid = tuneGrid, # metric="Accuracy", #metric='Kappa'trControl=trControl)saveRDS(borutaConfirmed_rf_default, "rda/borutaConfirmed_rf_default.rda") } print(borutaConfirmed_rf_default)

在使用Boruta選擇的特征變量后，模型的準確性和Kappa值都提升了很多。

## Random Forest ## ## 59 samples ## 56 predictors ## 2 classes: 'DLBCL', 'FL' ## ## No pre-processing ## Resampling: Cross-Validated (10 fold, repeated 5 times) ## Summary of sample sizes: 53, 54, 53, 54, 53, 52, ... ## Resampling results across tuning parameters: ## ## mtry Accuracy Kappa ## 1 0.9862857 0.9565868 ## 2 0.9632381 0.8898836 ## 3 0.9519048 0.8413122 ## 4 0.9519048 0.8413122 ## 5 0.9519048 0.8413122 ## 6 0.9519048 0.8413122 ## 7 0.9552381 0.8498836 ## 8 0.9519048 0.8413122 ## 9 0.9547619 0.8473992 ## 10 0.9519048 0.8413122 ## 16 0.9479048 0.8361174 ## 25 0.9519048 0.8413122 ## 36 0.9450476 0.8282044 ## 49 0.9421905 0.8199691 ## ## Accuracy was used to select the optimal model using the largest value. ## The final value used for the model was mtry = 1.

提取最終選擇的模型，并繪制 ROC 曲線。

borutaConfirmed_rf_default_finalmodel <- borutaConfirmed_rf_default$finalModel

采用訓練數據集評估構建的模型，Accuracy=1; Kappa=1，訓練的非常完美。

模型的預測顯著性P-Value [Acc > NIR] : 3.044e-08。其中NIR是No Information Rate，其計算方式為數據集中最大的類包含的數據占總數據集的比例。如某套數據中，分組A有80個樣品，分組B有20個樣品，我們只要猜A，正確率就會有80%，這就是NIR。如果基于這套數據構建的模型準確率也是80%，那么這個看上去準確率較高的模型也沒有意義。

confusionMatrix使用binom.test函數檢驗模型的準確性Accuracy是否顯著優于NIR，若P-value<0.05，則表示模型預測準確率顯著高于隨便猜測。

# 獲得模型結果評估矩陣(`confusion matrix`)predictions_train <- predict(borutaConfirmed_rf_default_finalmodel, newdata=train_data) confusionMatrix(predictions_train, train_data_group)## Confusion Matrix and Statistics ## ## Reference ## Prediction DLBCL FL ## DLBCL 44 0 ## FL 0 15 ## ## Accuracy : 1 ## 95% CI : (0.9394, 1) ## No Information Rate : 0.7458 ## P-Value [Acc > NIR] : 3.044e-08 ## ## Kappa : 1 ## ## Mcnemar's Test P-Value : NA ## ## Sensitivity : 1.0000 ## Specificity : 1.0000 ## Pos Pred Value : 1.0000 ## Neg Pred Value : 1.0000 ## Prevalence : 0.7458 ## Detection Rate : 0.7458 ## Detection Prevalence : 0.7458 ## Balanced Accuracy : 1.0000 ## ## 'Positive' Class : DLBCL ##

繪制ROC曲線，計算模型整體的AUC值，并選擇最佳閾值。

# 繪制ROC曲線prediction_prob <- predict(borutaConfirmed_rf_default_finalmodel, newdata=test_data, type="prob") library(pROC) roc_curve <- roc(test_data_group, prediction_prob[,1]) #roc <- roc(test_data_group, factor(predictions, ordered=T))roc_curve## ## Call: ## roc.default(response = test_data_group, predictor = prediction_prob[, 1]) ## ## Data: prediction_prob[, 1] in 14 controls (test_data_group DLBCL) > 4 cases (test_data_group FL). ## Area under the curve: 0.9821

選擇最佳閾值，在控制假陽性率的基礎上獲得高的敏感性

r是加權系數，默認是1，其計算方式為r=(1?prevalence)/(cost?prevalence).

best.weights控制加權方式：(cost, prevalence)默認是(1, 0.5)，據此算出的r為1。

• cost: 假陰性率占假陽性率的比例，容忍更高的假陽性率還是假陰性率

• prevalence: 關注的類中的個體所占的比例 (n.cases/(n.controls+n.cases)).

best_thresh <- data.frame(coords(roc=roc_curve, x = "best", input="threshold", transpose = F, best.method = "youden")) best_thresh## threshold specificity sensitivity ## 1 0.736 0.9285714 1

準備數據繪制ROC曲線

library(ggrepel) ROC_data <- data.frame(FPR = 1- roc_curve$specificities, TPR=roc_curve$sensitivities) ROC_data <- ROC_data[with(ROC_data, order(FPR,TPR)),]best_thresh$best <- apply(best_thresh, 1, function (x) paste0('threshold: ', x[1], ' (', round(1-x[2],3), ", ", round(x[3],3), ")"))p <- ggplot(data=ROC_data, mapping=aes(x=FPR, y=TPR)) +geom_step(color="red", size=1, direction = "vh") +geom_segment(aes(x=0, xend=1, y=0, yend=1)) + theme_classic() + xlab("False positive rate") + ylab("True positive rate") + coord_fixed(1) + xlim(0,1) + ylim(0,1) +annotate('text', x=0.5, y=0.25, label=paste('AUC=', round(roc$auc,2))) +geom_point(data=best_thresh, mapping=aes(x=1-specificity, y=sensitivity), color='blue', size=2) + geom_text_repel(data=best_thresh, mapping=aes(x=1.05-specificity, y=sensitivity ,label=best)) p

基于默認閾值繪制混淆矩陣并評估模型預測準確度顯著性，結果不顯著P-Value [Acc > NIR]>0.05。

# 獲得模型結果評估矩陣(`confusion matrix`)predictions <- predict(borutaConfirmed_rf_default_finalmodel, newdata=test_data) confusionMatrix(predictions, test_data_group)## Confusion Matrix and Statistics ## ## Reference ## Prediction DLBCL FL ## DLBCL 14 1 ## FL 0 3 ## ## Accuracy : 0.9444 ## 95% CI : (0.7271, 0.9986) ## No Information Rate : 0.7778 ## P-Value [Acc > NIR] : 0.06665 ## ## Kappa : 0.8235 ## ## Mcnemar's Test P-Value : 1.00000 ## ## Sensitivity : 1.0000 ## Specificity : 0.7500 ## Pos Pred Value : 0.9333 ## Neg Pred Value : 1.0000 ## Prevalence : 0.7778 ## Detection Rate : 0.7778 ## Detection Prevalence : 0.8333 ## Balanced Accuracy : 0.8750 ## ## 'Positive' Class : DLBCL ##

基于選定的最優閾值制作混淆矩陣并評估模型預測準確度顯著性,結果還是不顯著 P-Value [Acc > NIR]>0.05。

predict_result <- data.frame(Predict_status=c(T,F), Predict_class=colnames(prediction_prob))head(predict_result)## Predict_status Predict_class ## 1 TRUE DLBCL ## 2 FALSE FLpredictions2 <- plyr::join(data.frame(Predict_status=prediction_prob[,1] > best_thresh[1,1]), predict_result)predictions2 <- as.factor(predictions2$Predict_class)confusionMatrix(predictions2, test_data_group)## Confusion Matrix and Statistics ## ## Reference ## Prediction DLBCL FL ## DLBCL 13 0 ## FL 1 4 ## ## Accuracy : 0.9444 ## 95% CI : (0.7271, 0.9986) ## No Information Rate : 0.7778 ## P-Value [Acc > NIR] : 0.06665 ## ## Kappa : 0.8525 ## ## Mcnemar's Test P-Value : 1.00000 ## ## Sensitivity : 0.9286 ## Specificity : 1.0000 ## Pos Pred Value : 1.0000 ## Neg Pred Value : 0.8000 ## Prevalence : 0.7778 ## Detection Rate : 0.7222 ## Detection Prevalence : 0.7222 ## Balanced Accuracy : 0.9643 ## ## 'Positive' Class : DLBCL ##

篩選完特征變量后，模型的準確性和Kappa值都提高了很多。但統計檢驗卻還是提示不顯著，這可能是數據不平衡的問題，我們后續繼續優化。

機器學習系列教程

從隨機森林開始，一步步理解決策樹、隨機森林、ROC/AUC、數據集、交叉驗證的概念和實踐。

文字能說清的用文字、圖片能展示的用、描述不清的用公式、公式還不清楚的寫個簡單代碼，一步步理清各個環節和概念。

再到成熟代碼應用、模型調參、模型比較、模型評估，學習整個機器學習需要用到的知識和技能。

機器學習算法 - 隨機森林之決策樹初探（1）

機器學習算法-隨機森林之決策樹R 代碼從頭暴力實現（2）

機器學習算法-隨機森林之決策樹R 代碼從頭暴力實現（3）

機器學習算法-隨機森林之理論概述

隨機森林拖了這么久，終于到實戰了。先分享很多套用于機器學習的多種癌癥表達數據集 https://file.biolab.si/biolab/supp/bi-cancer/projections/。

機器學習算法-隨機森林初探（1）

機器學習 模型評估指標 - ROC曲線和AUC值

機器學習 - 訓練集、驗證集、測試集

機器學習 - 隨機森林手動10 折交叉驗證

一個函數統一238個機器學習R包，這也太贊了吧

基于Caret和RandomForest包進行隨機森林分析的一般步驟 （1）

Caret模型訓練和調參更多參數解讀(2)

機器學習相關書籍分享

基于Caret進行隨機森林隨機調參的4種方式

送你一個在線機器學習網站，真香！

UCI機器學習數據集

機器學習第17篇 - 特征變量篩選（1）

機器學習第18篇 - 基于隨機森林的Boruta特征變量篩選（2）

機器學習系列補充：數據集準備和更正YSX包

總結

以上是生活随笔為你收集整理的机器学习第20篇 - 基于Boruta选择的特征变量构建随机森林的全部內容，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。