生信文章已經(jīng)開始用SVM-RFE算法了，比如這篇5+分SCI文章！看小云如何用代碼實現(xiàn)。

科研有捷徑，輸入代碼，一鍵獲取科研成果！就是這么省事，來具體看下有多方便！

搜索http://985.so/a9kb查看全部代碼（目前共計50+持續(xù)新增中），也可以點擊右側【目錄】，可以看到更多有趣的代碼；真香提示：文末可以知道如何獲取代碼~

支持向量機遞歸特征消除(簡稱SVM-RFE)是由Guyon等人在對癌癥分類時提出來的，最初只能對兩類數(shù)據(jù)進行特征提取。它是一種基于Embedded方法。支持向量機廣泛用于模式識別，機器學習等領域，SVM采用結構風險最小化原則，同時最小化經(jīng)驗誤差，以此提高學習的性能。

?SVM-RFE算法?

SVM-RFE是一個基于SVM的最大間隔原理的序列后向選擇算法。它通過模型訓練樣本，然后對每個特征進行得分進行排序，去掉最小特征得分的特征，然后用剩余的特征再次訓練模型，進行下一次迭代，最后選出需要的特征數(shù)。

小編最近發(fā)現(xiàn)已有部分研究將SVM-RFE算法應用于生信文章，如下圖。這篇影響因子 > 5分簡單純生信文章。

?

但是具體要如何實現(xiàn)？？？ 今天，小編以代碼提供的數(shù)據(jù)為例進行說明。

代碼具體包括：

Step1輸入數(shù)據(jù)并構建SVM-RFE模型

Step2訓練svm分類器和交叉驗證

Step3 計算錯誤率和準確率并繪圖

下面是代碼中附帶數(shù)據(jù)逐步分析結果

神奇吧，就是如此簡單，我們用的都是入門級函數(shù)，稍微懂點R語言就能實現(xiàn)。

通過SVM-RFE篩選出目標基因之后，我們還可以進行預后模型構建、免疫腫瘤微環(huán)境和免疫細胞相關性分析等，想做免疫分析的可以掃碼關注我們。

如需代碼及示例數(shù)據(jù)等文件，請掃碼聊天框回復 “B24”領?。?/span>