RandomForest：随机森林预测生物标记biomarker——回归
关于随机森林的简介和应用理论，请阅读之前分享的文章：
关于随机森林进行分类的入门实战，请阅读之前分享的
大家可以学习此文，实现分组挖掘两组或多组的特异Features，也可以展示特征的贡献度，获得分类评估的准确度，以及使用新数据进行预测，无监督的随机森林等基础技能。
今天我们讲使用randomForest实现回归分析的实战代码。回归的应用主要包括时间序列预测模式，如预测股票、尸体死亡时间等。
本节不需要先难知识可也直接学习使用。
RandomForest安装与加载
# 安装
install.packages("randomForest")
# 加载
library(randomForest)回归Classification
先了解一下输入数据格式，方便准备
使用R内置按天记录的空气质量数据
data(airquality)
head(airquality)数据包括157天中，臭氧、太阳强度、风和温度，部分有缺失。前4列属性数据，后2列时间月和日为分组数据。
Ozone Solar.R Wind Temp Month Day
1 41 190 7.4 67 5 1
2 36 118 8.0 72 5 2
3 12 149 12.6 74 5 3
4 18 313 11.5 62 5 4
5 NA NA 14.3 56 5 5
6 28 NA 14.9 66 5 6设置随机数种子保证结果可重复
set.seed(315)随机森林回归臭氧与其它所有属性
ozone.rf= randomForest(Ozone ~ ., data=airquality, mtry=3,
importance=TRUE, na.action=na.omit)
print(ozone.rf)结果如下：包括分析的命令，分析类型，树数量，重要的变量(Feature)个数，平均残差平方，解析率。
Call:
randomForest(formula = Ozone ~ ., data = airquality, mtry = 3, importance = TRUE, na.action = na.omit)
Type of random forest: regression
Number of trees: 500
No. of variables tried at each split: 3
Mean of squared residuals: 304.4269
% Var explained: 72.26查看每个变量的分类贡献度，显示仅保留两位小数可读性更好
round(importance(ozone.rf), 2)
%IncMSE IncNodePurity
Solar.R 10.40 10833.08
Wind 23.55 43838.66
Temp 47.13 53731.95
Month 2.04 1504.72
Day 0.91 6306.42结果为每个相关变量对应两列值。%IncMSE是Increased in mean squared error (%)，直译为增长的错误率平方均值，即去除该变量后，对目标预测的准确度下降的低，可理解为对目标变量预测准确的贡献度。IncNodePurity是Increased node purity，是另一种评估的方法。这里我们只关注%IncMSE就够了。
varImpPlot(ozone.rf) 交叉验证cross-validation
# 先清空NA的样本，验证不允许有NA
airquality = na.omit(airquality)
myairquality= cbind(airquality[1:6], matrix(runif(96 * nrow(airquality)), nrow(airquality), 96))
# 交驻验证添加了随机数的训练集，分组，交叉验证的次数
result= rfcv(myairquality, airquality$Ozone, cv.fold=3)
# 绘制错误率曲线，观查错误率与使用Markers数量的变化
with(result, plot(n.var, error.cv, log="x", type="o", lwd=2))
我们看到一个现象，不是feature越多越好，无关的feature如果多了，反而错误率上升，会影响预测的准确度。
# 使用replicate进行多次交叉验证，可选
result= replicate(5, rfcv(myairquality, airquality$Ozone), simplify=FALSE)
error.cv= sapply(result, "[[", "error.cv")
matplot(result[[1]]$n.var, cbind(rowMeans(error.cv), error.cv), type="l",
lwd=c(2, rep(1, ncol(error.cv))), col=1, lty=1, log="x",
xlab="Number of variables", ylab="CV Error")多次验证结果类型，更能说明结果的可信度。
严谨总没有坏处，好的结果都是多角度证明的。
大家学习随机森林的分类、和回归。将来有时间，将带大家上手重复一些高水平文章中的分析，结合具体生物学问题会更有意思。
猜你喜欢
10000+：肠道细菌 人体上的生命 宝宝与猫狗 梅毒狂想曲 提DNA发Nature 实验分析谁对结果影响大 Cell微生物专刊
文献阅读 热心肠 SemanticScholar Geenmedical
16S功能预测 PICRUSt FAPROTAX Bugbase Tax4Fun
写在后面
为鼓励读者交流、快速解决科研困难，我们建立了“宏基因组”专业讨论群，目前己有国内外150+ PI，1500+ 一线科研人员加入。参与讨论，获得专业解答，欢迎分享此文至朋友圈，并扫码加主编好友带你入群，务必备注“姓名-单位-研究方向-职称/年级”。技术问题寻求帮助，首先阅读《如何优雅的提问》学习解决问题思路，仍末解决群内讨论，问题不私聊，帮助同行。
学习16S扩增子、宏基因组科研思路和分析实战，关注“宏基因组”
点击阅读原文，跳转最新文章目录阅读