原文鏈接：http://tecdat.cn/?p=8890

?

主成分回歸（PCR）的方法 本質上是使用第一個方法的普通最小二乘（OLS）擬合

來自預測變量的主成分（PC）。這帶來許多優(yōu)點：

1. 預測變量的數量實際上沒有限制。??

2. 相關的預測變量不會破壞回歸擬合。?

但是，在許多情況下，執(zhí)行類似于PCA的分解要明智得多。

今天，我們將 在Arcene數據集上執(zhí)行PLS-DA，??其中包含100個觀察值和10,000個解釋變量。

讓我們開始使用R

癌癥/無癌標簽（編碼為-1 / 1）存儲在不同的文件中，因此我們可以將其直接附加到完整的數據集，然后使用公式語法來訓練模型。

1. # 安裝加載

2. 


3. library(caret)

4. arcene <- read.table("train.data", sep = " ",

5. colClasses = c(rep("numeric", 10000), "NULL"))

6. 


7. # 將標簽添加為附加列

8. 


9. 


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

?現(xiàn)在的主要問題是：

• 我們如何根據其血清的MS譜準確預測患者是否生病？

• 哪種蛋白質/ MS峰最能區(qū)分患者和健康患者？

?關于預處理，我們將使用preProc參數以精確的順序刪除零方差預測變量，并對所有剩余的變量進行標準化?？紤]樣本的大?。╪= 100），我將選擇10次重復的5折交叉驗證（CV）–大量重復彌補了因減少的驗證次數而產生的高方差–總共進行了50次準確性估算。?

1. # 編譯交叉驗證設置

2. 


3. 


4. set.seed(100)

5. myfolds <- createMultiFolds(arcene$class, k = 5, times = 10)

6. control <- trainControl("repeatedcv", index = myfolds, selectionFunction = "oneSE")

7. 


此圖描繪了CV曲線，在這里我們可以學習從使用不同數量的LV（x軸）訓練的模型中獲得的平均準確度（y軸，％）。?

現(xiàn)在，我們 進行線性判別分析（LDA）進行比較。 我們還可以嘗試一些更復雜的模型，例如隨機森林（RF）。?

最后，我們可以比較PLS-DA，PCA-DA和RF的準確性。?

我們將使用resamples編譯這三個模型，并借用ggplot2的繪圖功能來比較三種情況下最佳交叉驗證模型的50個準確性估計值。

?

顯然，長時間的RF運行并沒有轉化為出色的性能，恰恰相反。盡管三個模型的平均性能相似，但RF的精度差異要大得多，如果我們要尋找一個魯棒的模型，這當然是一個問題。在這種情況下，PLS-DA和PCA-DA表現(xiàn)出最好的性能（準確度為63-95％），并且這兩種模型在診斷新血清樣品中的癌癥方面都表現(xiàn)出色。

總而言之，我們將使用PLS-DA和PCA-DA中預測的變量重要性（ViP）確定十種最能診斷癌癥的蛋白質。?

?

上面的PLS-DA ViP圖清楚地將V1184與所有其他蛋白質區(qū)分開。這可能是一個有趣的癌癥生物標志物。當然，必須進行許多其他測試和模型來提供可靠的診斷工具。?