我通常会在机器学习方面迈出第一步,尤其是在R方面。我以前使用过python的sklearn,但是我对R完全陌生。对于一个大学项目,我正在尝试出于教育目的在基因表达数据集上使用随机森林。我正在尝试使用各种脑细胞的基因表达来预测精神障碍(躁郁症,抑郁症或精神分裂症)。我的脚本当前如下所示:
library(randomForest)
train_ind <- sample.int(n = nrow(GSMdata),
size = floor(0.75*nrow(GSMdata)),
replace = F)
RFtrainSet <- data[,train_ind]
RFtestSet <- data[,-train_ind]
RFtrainLabel <- GSMdata$Disease_State[train_ind]
RFtestLabel <- GSMdata$Disease_State[-train_ind]
RFmodel <- randomForest(x = t(RFtrainSet),
y = RFtrainLabel,
ntree = 100)
table(RFtestLabel, predict(object = RFmodel,
newdata = t(RFtestSet)))
其中data
是一个大型矩阵对象,GSMdata
是一个具有每个样本特征的数据框(矩阵中的每一列代表每个样本的基因表达)。
table
函数的输出如下所示:
RFtestLabel bipolar disorder control major depressive disorder schizophrenia
bipolar disorder 0 7 6 7
control 0 7 6 0
major depressive disorder 0 5 2 2
schizophrenia 0 1 7 2
通常,当我对数据进行采样时,如上例所示,类不会出现在测试数据集中。这有问题吗?如果是,是否有功能可以帮助我获得均质的测试样品?
data
矩阵:
GSM1304852 GSM1304853 GSM1304854 GSM1304855 GSM1304856
1007_s_at 2.3945368 2.27518369 2.16116298 1.9641833 2.1322526
1053_at 0.1051084 0.06160802 0.34217618 0.3593916 0.2235696
117_at -0.4597124 -0.52310349 -0.44360591 -0.6370277 -0.3511470
121_at 0.9333566 1.13180904 0.99756999 1.0079778 0.9720455
1255_g_at -0.2399138 0.10112324 -0.04087979 -0.2185137 -0.2991786
GSMdata
示例:
title geo_accession Age Disease_State Gender pH PMI Race RIN tissue
GSM1304852 bipolar_hip_10 GSM1304852 52 bipolar disorder M 6.7 23.5 W 6.3 hippocampus
GSM1304853 bipolar_hip_11 GSM1304853 50 bipolar disorder F 6.4 11.7 W 6.8 hippocampus
GSM1304854 bipolar_hip_12 GSM1304854 28 bipolar disorder F 6.3 22.3 W 7.7 hippocampus
GSM1304855 bipolar_hip_13 GSM1304855 55 bipolar disorder F 6.4 17.5 W 7.6 hippocampus
GSM1304856 bipolar_hip_14 GSM1304856 58 bipolar disorder M 6.8 27.7 W 7.0 hippocampus
答案 0 :(得分:1)
这是在类中进行采样的快速dplyr解决方案,不需要特殊功能。我以鸢尾花数据集为例,但是您可以快速将其适应您的数据。
library(dplyr)
data(iris)
labels <- iris %>% dplyr::select(Species) %>%
sample_frac(1) %>%
group_by(Species) %>%
mutate(set = rep(c(rep("train",3),"test"), length.out=n()))
table(labels$Species, labels$set)
test train
setosa 12 38
versicolor 12 38
virginica 12 38
此外,我建议使用ranger
随机林程序包,因为它速度更快。
答案 1 :(得分:0)
一种方法是通过使用stratified
(来自splitstackshape
包)和使用sqldf
(进行SQL查询),如下所示:
set.seed(1231)
data(iris)
data <- iris
data$ID <- seq.int(nrow(data)) #Why? remove it and run this again without this bit and you will see the difference.
# making stratified train samples
m_trn <- data.frame((splitstackshape::stratified(data, "Species", 0.5))) #0.5 is percent of training data in each class
m_tst <- (sqldf::sqldf('SELECT * FROM data EXCEPT SELECT * FROM m_trn'))