多个机器学习联合构建人工神经网络模型

机器学习筛选特征基因

若仅仅使用单算法，很可能会存在偶然性

因此需要多个算法进行联合分析，筛选出共同的高打分特征基因

此外，多个算法联合得到特征基因构建的模型更具有预测价值

下面直接上代码👇

1.准备R包

library(readr)library(VIM)library(caret)library(rpart)library(rpart.plot)library(Metrics)library(stringr)library(rpart)library(tibble)library(bitops)library(rattle)library(rpart.plot)library(RColorBrewer)library(tidyverse)library(limma)library(pheatmap)library(visNetwork)library(ggpol)library(ggplot2)library(sparkline)library(randomForest)library(venn)library(sparkline)library(dplyr)library(tidyverse)library(caret)library(DALEX)library(gbm)library(caret)library(glmnet) library(xgboost)library(DALEX)library(gbm)library(VennDiagram)library(limma)  library(neuralnet)library(NeuralNetTools)

2.准备数据

1）差异基因表达谱文件

2）差异基因结果文件

多个机器学习联合构建人工神经网络模型

3.多个AI算法联合计算

1）Gradient Boosting Machine（GBM）

fit <- train(x=data,y=as.factor(group),  method = "gbm", trControl = fitControl,verbose = FALSE)

2）randomForest（随机森林）

rf2=randomForest(as.factor(group)~., data=data, ntree=optionTrees)

3）Decision Tree（决策树）

mod1<-rpart(as.factor(group)~.,data = data2,method = "class")

4）Lasso

cvfit=cv.glmnet(x, y, family="binomial", alpha=1,type.measure='deviance',nfolds = 10)

5）XGboost

model<- train(x=data,y=as.factor(group),  method = "xgbTree", trControl = TrainControl,verbose = FALSE)

4.提取符合打分条件基因