作者:科研猫 | 西红柿
责编:科研猫 | 馋猫
前面的教程中,我们讲解了在高通量数据中非常常用的一种模型构建方法,LASSO回归(见临床研究新风向,巧用LASSO回归构建属于你的心仪模型)。作为正则化方法的一种,除了LASSO,还有另外一种模型值得我们学习和关注,那就是岭回归(ridge regression)。今天,我们将简要介绍什么是岭回归,它能做什么和不能做什么。在岭回归中,范数项是所有系数的平方和,称为L2-Norm。在回归模型中,我们试图最小化RSS+λ (sumβj2)。随着λ增加,回归系数β减小,趋于0,但从不等于0。岭回归的优点是可以提高预测精度,但由于它不能使任何变量的系数等于零,很难满足减少变量个数的要求,因此在模型的可解释性方面会存在一些问题。为了解决这个问题,我们可以使用之前提到的LASSO回归。
此外,岭回归更常用于处理线性回归中的共线性问题。通常认为共线性会导致过度拟合,并且参数估计会非常大。因此,在回归系数β的最小二乘的目标函数中加入惩罚函数可以解决这个问题。正则化思想是一致的,因此岭回归可以解决这个问题。
案例分析
ID: sample code number (not unique).
V1: clump thickness.
V2: uniformity of cell size.
V3: uniformity of cell shape.
V4: marginal adhesion.
V5: single epithelial cell size.
V6: bare nuclei (16 values are missing).
V7: bland chromatin.
V8: normal nucleoli.
V9: mitoses.
class: “benign” or “malignant”.
数据处理
我们首先加载MASS包并准备乳腺癌数据:
1library(glmnet)
2library(MASS)
3biopsy$ID =NULL
4names(biopsy) =c(“thick”, “u.size”, “u.shape”, “adhsn”, “s.size”, “nucl”, “chrom”, “n.nuc”, “mit”, “class”)
5biopsy.v2 <-na.omit(biopsy)
6set.seed(123) #random number generator
7ind<-sample(2, nrow(biopsy.v2), replace =TRUE, prob =c(0.7, 0.3))
8 train <-biopsy.v2[ind==1, ] #the training data set
9Convert data to generate input matrices and labels:
10x <-as.matrix(train[, 1:9])
11y <-train[, 10]
岭回归模型
我们首先使用岭回归建立模型,并将结果存储在对象ridge中。请注意:glmnet包在计算lambda值之前对输入值进行了标准化。我们需要将响应变量的分布指定为“二项式”,因为这是一个二进制结果;同时指定alpha=0来表示此时的岭回归。R代码如下:
1ridge <- glmnet(x, y, family = "binomial", alpha = 0)
此对象包含评估模型所需的所有信息。要做的第一件事是使用print()函数,该函数显示非零回归系数的值,解释百分比偏差或相应的lambda值。包中的默认计算数为100,但是如果两个lambda值的百分比偏差的改善不明显,则算法将在100次计算之前停止。换句话说,算法将收敛到最优解。
1 ## [100,] 9 8.389e-01 0.03951
以第100行为例,可以看出非零回归系数,即模型中包含的特征数为9。在岭回归中,这个数字是常数。你还可以看到解释偏差的百分比是0.8389,调协系数是0.03951,但为了简单起见,我们将测试集的lambda设置为0.05。
那么,让我们以图形的方式来看看回归系数是如何随lambda的变化而变化的。只需将参数xvar=“lambda”添加到plot()函数中。
1 plot(ridge, xvar = “lambda”, label = TRUE)
此图显示当lambda下降时,压缩参数减小,但绝对系数增加(图37)。要查看特定值处lambda的系数,请使用predict()函数。现在,让我们看看当λ为0.05时,系数是多少。我们指定参数s=0.05和参数 type = “coefficients”。glmnet()函数配置为在拟合模型时使用特定于lambda的值,而不是从lambda特定的两边插入值。R代码如下:
1 ridge.coef <- predict(ridge, s=0.05, type = “coefficients”)
ridge.coef
可以看出,对于所有的特征都得到了一个非零的回归系数。接下来,我们在将测试集转换为矩阵形式,就像我们在训练集中所做的那样:
1 newx <- as.matrix(test[, 1:9])
然后使用predict()函数构建一个名为ridge.y的对象,指定参数type=“response”和lambda值为0.05
1 ridge.y <- predict(ridge, newx = newx, type = “response”, s=0.05)
通过计算误差和AUC,我们可以看到该模型在测试集上的性能:
1 library(InformationValue)
2actuals <- ifelse(test$class == "malignant", 1, 0)
3misClassError(actuals, ridge.y )
4plotROC(actuals, ridge.y)
该误分类率仅为0.0191,表明该模型具有较高的分类和预测能力。
数据介绍
案例2是一个前列腺癌的数据。虽然这个数据集相对较小,只有97个观测值和9个变量,但与传统方法相比,这足以让我们掌握正则化方法。斯坦福大学医学中心为97名接受根治性前列腺切除术的患者提供了前列腺特异性抗原(PSA)数据。我们的目标是建立一个预测模型,利用来自临床测试的数据预测术后PSA水平。在预测患者术后能否恢复时,PSA可能是一个比其他变量更有效的预后变量。手术后,医生会每隔一段时间检查患者的PSA水平,通过各种公式判断患者是否康复。术前预测模型和术后数据(此处未提供)共同改善前列腺癌的诊断和预后。从97名男性收集的数据集存储在包含10个变量的数据框中,如下所示:
1 lcavol:肿瘤体积的对数;
2 lweight:前列腺重量的对数;
3 age:患者年龄(岁);
4 lbph:良性前列腺增生(BPH)、非癌性前列腺增生的对数;
5 svi:是否侵犯精囊,表明癌细胞是否通过前列腺壁侵入精囊(1=是,0=否);
6 lcp:包膜穿透的对数,表示癌细胞扩散到前列腺包膜外的程度;
7 Gleason:患者的Gleason评分。由病理学家在活检后给出,表明癌细胞的变异程度。分数越高,疾病危险度越大;
8 pgg45:Gleason分数的百分比为4或5;
9 lpsa:PSA值的对数值,这是结果变量;
10 train:一个逻辑向量(TRUE或FALSE,用以区分训练数据集和测试数据集)。
数据处理
这个数据集包含在R的ElemStatLearn包中。加载所需的包和数据集。也可以找我们的工作人员领取。
library(glmnet)
library(caret)
prostate <- load("prostate.RData")
str(prostate)
## ‘data.frame’: 97 obs. of 10 variables:
## $ lcavol : num -0.58 -0.994 -0.511 -1.204 0.751 ...
## $ lweight: num 2.77 3.32 2.69 3.28 3.43 ...
## $ age : int 50 58 74 58 62 50 64 58 47 63 ...
## $ lbph : num -1.39 -1.39 -1.39 -1.39 -1.39 ...
## $ svi : int 0 0 0 0 0 0 0 0 0 0 ...
## $ lcp : num -1.39 -1.39 -1.39 -1.39 -1.39 ...
## $ gleason: int 6 6 7 6 6 6 6 6 6 6 ...
## $ pgg45 : int 0 0 20 0 0 0 0 0 0 0 ...
## $ lpsa : num -0.431 -0.163 -0.163 -0.163 0.372 ...
## $ train : logi TRUE TRUETRUETRUETRUETRUE ...
在检查数据结构时,需要考虑一些问题。svi、lcp、Gleason和pgg45的前10个观察值具有相同的数字,只有一个例外:Gleason的第三个观察值。为了确保这些特征作为输入特征确实可行,我们将Gleason变量转换为二分类变量,0代表6分,1代表7分或更高。代码如下:
1 prostate$gleason<-ifelse(prostate$gleason==6, 0, 1) table(prostate$gleason)
首先,建立训练数据集和测试数据集。因为已经有一个变量指示观察值是否属于训练集,所以我们可以使用subset()函数将train变量中TRUE的观察对象分配给训练集,将train变量中FALSE的观察对象分配给测试集。还需要删除“train”,因为我们不想用它作为预测变量。如下所示:
1 train <-subset(prostate, train ==TRUE)[, 1:9]str(train)test <-subset(prostate, train==FALSE)[,1:9]str(test)
岭回归模型
我们使用glmnet包构建岭回归模型。这个包要求输入变量存储在矩阵中,而不是数据集中。岭回归的要求是glmnet(x=输入矩阵,y=响应变量,family=分布函数,alpha=0)。当alpha为0时,表示进行了岭回归;当alpha为1时,表示LASSO回归。为glmnet准备训练集数据也很容易,使用as.matrix()函数处理输入数据,并创建一个向量作为响应变量,如下所示:
1 x <-as.matrix(train[, 1:8]) y <-train[, 9]
现在我们可以创建岭回归模型。我们将结果保存在对象中,并给对象指定一个适当的名称,如ridge。有一点非常重要,请务必注意:glmnet包将在计算λ值之前首先对输入进行规范化,然后计算非规范化系数。因此,我们需要将响应变量的分布指定为高斯分布(正态分布),因为它是连续的。如下所示:
1 ridge <-glmnet(x, y, family =“gaussian”, alpha =0)
这个对象包含评估模型所需的所有信息。首先尝试print()函数,它会显示非零系数的数目,解释偏差的百分比和相应的λ值。程序包中算法的默认计算次数是100,但是如果两个λ值之间的百分比增加不显著,则算法将在100次计算之前停止。也就是说,算法收敛到最优解。所有λ结果如下所示:
1 print(ridge)
以第100行为例。可见非零系数,也就是模型包含的变量数是8,记住在岭回归中,这个数字是恒定的。还可以看到,解释偏差百分比为0.6971,调谐系数λ的值为0.08789。在这里,我们可以决定在测试集上使用哪个λ。这个λ值应该是0.08789,但是为了简单起见,我们可以在测试集上尝试0.1。
在这一点上,一些图表非常有用。让我们看一下包中的默认图表。将label=TRUE以注释曲线,如下所示:
1 plot(ridge, label =TRUE)
在默认图表中,Y轴是回归系数,X轴是L1范数。系数和L1范数之间的关系如图43所示。图形上方还有另一个X轴,其上的数字表示模型中的特征数。我们还可以看到系数是如何随λ变化的。只需使用plot()函数和参数xvar=“lambda”对其进行轻微调整。
1 plot(ridge, xvar =“lambda”, label =TRUE)
此图显示,随着λ的减少,压缩参数减少,系数的绝对值增加。当λ为特定值时,我们还可以使用predict()函数查看系数值。如果我们想知道λ为0.1时系数的值,我们可以指定参数s=0.1,指定type=“coefficients”,当使用glmnet()来拟合模型时,我们应该使用特定的glmnet值,而不是使用来自λ两边的值。具体如下:
1 ridge.coef<-predict(ridge, s=0.1, type =“coefficients”) ridge.coef
重要的是要注意,age、lcp和pgg45变量的系数非常接近于零,但还不是零。别忘了看看偏差和系数之间的关系:
1 plot(ridge, xvar =“dev”, label =TRUE)
与前两张图相比,从这张图中我们可以看到,随着λ的减少,所解释的系数和分数偏差将会增加(图45)。如果λ值为0,则将忽略收缩惩罚,并且模型将等同于OLS。为了在测试集上证明这一点,我们需要先将测试集转换为矩阵:
1 newx<-as.matrix(test[, 1:8])
然后,我们使用predict()函数创建一个名为ridge.y的对象,指定type=“response”和λ值为0.10。绘制表示预测值与实际值关系的统计图,如下图所示:
1 ridge.y =predict(ridge, newx =newx, type =“response”, s=0.1) plot(ridge.y , test$lpsa, xlab =“Predicted”, ylab =“Actual”, main =“Ridge Regression”)
下图显示了岭回归中预测值和实际值之间的关系(图46)。同样,在较大的PSA测量值中有两个有趣的异常值。在实际情况中,我们建议对异常值进行更深入的研究,以找出它们是否真的与其他数据不同,或者我们错过了什么。与MSE基准的比较可能会告诉我们一些不同的东西。我们可以先计算残差,然后再计算残差平方的平均值。岭回归分析均方差=0.4783559。
1 ridge.resid<-ridge.y-test$lpsa mean(ridge.resid^2)
小结
在这里,我们使用两个案例帮助大家了解岭回归模型。希望大家可以认识到正则化是一种提高计算效率和提取更多有意义特征的强大技术。合理使用岭回归和LASSO回归来构建准确的模型。
扫码关注腾讯云开发者
领取腾讯云代金券
Copyright © 2013 - 2025 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号:粤B2-20090059 深公网安备号 44030502008569
腾讯云计算(北京)有限责任公司 京ICP证150476号 | 京ICP备11018762号 | 京公网安备号11010802020287
Copyright © 2013 - 2025 Tencent Cloud.
All Rights Reserved. 腾讯云 版权所有