python随机森林筛选变量_讨论记录｜用随机森林对生存数据降维，筛选signature
昨晚，小伙伴收到了大鱼海棠为我们带来的FigureYa182RFSurv，使用随机森林对生存数据降维，根据变量重要性排序并筛选基因组成prognostic signature。
这是我们第二次众筹随机森林相关分析，上次的FigureYa159LR_RF，是在LASSO降维的基础上，采用logistic regression或Random forest的方法，进行5-fold cross-validation评估LASSO selected feature的预测效能。
大鱼海棠为我们带来了众多或经典或酷炫的好用代码，具有丰富的医学统计分析经验。这次建立FigureYa182RFSurv专属讨论群，请大鱼海棠入群答疑。小伙伴就相关问题展开讨论，小丫整理记录下来，留下这宝贵资源。
HSZ：请问这个安装是哪里出问题了，我百度也不知道怎么解决？
大鱼海棠：https://share.weiyun.com/0Qk7bvR6，直接把这个拖到R的library下解压试试，我以前这样做似乎也可以用，在windows里。
ZJH问：老师，您好！imp.cutoff这个重要性阈值的怎么选择？
大鱼海棠：没有固定cutoff。结果导向的，嫌结果太多就设高一点
LGM问：海棠哥好，请教一下筛选出来的特征要组合成预后signature，是还需要进一步使用多因素COX回归来求变量的系数吗？
大鱼海棠：嗯我会建议这样做，但是多因素这部不进行变量筛选了。
Allittis问：海棠老师的意思是直接多因素全部纳入算一个系数即可，是不？
LGM问：不进行逐步回归？
大鱼海棠：对的，因为你已经认为RF得出来的是你感兴趣的变量了。当然你非要再逐步回归，从操作性上来讲没有问题。
零度反应问：如果这个得到的基因太多呢，可不可以再用逐步回归？
大鱼海棠：可以
零度反应：因为之前用过这个，也用过你写的lasso回归的方法，但最后得到的signature基因相对多一点，然后有时auc优势也并不明显
大鱼海棠：survival的auc一般都不会那么高。。因为不仅仅是二分类问题，考虑了time-to-event
零度反应：所以又进行了多因素，最起码基因会少一些，感觉上好那么一丢丢。
LGM问：关于组合成预后signature还想再请教一下
一篇文章使用COX回归得到了感兴趣的基因，但是risk score 的计算居然是表达量跟HR相乘。有这样的处理方式吗？
Allittis：HR的置信区间好大
唐渊：估计是数据没有做归一化处理导致HR 值这么大。
LZQ：scale一下一般会小一些
大鱼海棠：多个数据集验证的话，都会建议每个数据集都要scale，尤其是针对不同平台。
CSJ问：请问R中可以获取基因的coefficients值么，我看原文中提到这个值是由random forest algorithm得到的，但是我在结果中没有找到这个值~
LZQ：这个应该是单因素cox的coef，决策树是无参ML。HR=e^coef
对应的HR值转化一下就得到了。
大鱼海棠：我觉得也是，coef，HR以及对应的95%CI应该是后算的，单因素cox直接summary一下都有。
DMY问：我在分析数据的时候发现如果用TCGA做训练集，而用GEO做验证集，结果发现训练集中获得的关键基因在GEO数据集中不存在，那我应该反过来用GEO做训练集呢？还是先取 TCGA和GEO的交集后再分析？谢谢啦！
砍柴人：先基因取交集啊
DMY：那用随机森林和支持向量机这两种方法筛选关键基因，那个更好呢？还是用组合的方式来筛选@大鱼海棠
大鱼海棠：组合的方式只是为了。。虚假的工作量吧，多写几段method。我不太认可这种做法，尤其是需要其中的指标时。比如LASSO和SVM一起用，那LASSO里的系数怎么办？
DMY：那有没有一个更好的组合呢？比如先差异筛选，再单COX，再随机森林，最后多COX?
大鱼海棠：这些方法最后都是结果导向型，没有什么最好的组合。。
DMY：AUC值通常多少比较合适呢？必须0.7以上么？
大鱼海棠：训练集我会建议0.8以上吧。
砍柴人：训练集0.8以上，那测试集可以得到多少？
大鱼海棠：看运气
DMY：嗯，有时候经常是在TCGA训练集很高，到了GEO验证的时候就很低了，不懂是不是数据需要归一化处理。
大鱼海棠：要归一化处理
DMY：难怪呢，我平时都没做归一化，结果差别很大。有没有同时对所有训练集和验证集进行归一化处理的方法呢？谢谢啦！
大鱼海棠：z-score最方便。个人觉得0-1区间变换最严谨，但是没必要。
DMY：先取基因交集，然后合并所有数据集，再用Z-score归一化，再拆分数据进行分析，是这个逻辑么？谢谢啦
大鱼海棠：分别zscore，不会合并zscore。tcga数据要先log，用TPM。
DMY：谢谢啦，受益匪浅！
CGD：所以请问是先将tcga的tpm数据zscore后再建模，然后在geo的zscore后的数据中验证模型是吗？是这样的顺序吗，感谢！
DMY：前面大鱼海棠 有说，先在TCGA中对tpm进行log2后再zscore
LGM问：能不能再众筹个不同平台数据的标准化？
DMY：感觉可行，数据清理确实很重要。确实跨平台验证会面临很多问题，同一平台也会有批次效应，所以我在处理多GEO数据集的时候都先去除批次效应并合并后，再进行下面分析。
大鱼海棠：你们可以了解一下gene pair，完美回避批次。是一个比较热的，回避标准化的，跨平台数据处理理念，但是数据的量级会比较大。
The one：gene pair[强][强][强]，知道这个东西，没尝试过，晚上回去试下！
DMY：我前面看一些教程里面写随机森林对二分类变量预测效果最佳，比如生死，患病与否，但是病人的生存数据里还有生存时间，应该用二分类变量作为结局变量么？如生死，还是以连续性变量生存时间作为结局变量比较好，谢谢啦。
大鱼海棠：有研究不关心时间，只关心生死的，看个人目的吧。随机森林对二分类最佳也没有这种说法，看观测和变量的比例。逻辑回归这种就很robust，而且可以写出关系式，推荐的还是逻辑回归。
DMY：那研究是否复发，或者转移，也是不错的选择哈！
大鱼海棠：是的。
Paul：老师您好，我想请一下xgboost会不会比随机森林树更好一些？
大鱼海棠：没有方法有绝对的优势。。不然老方法就完全淘汰了不是吗？分类算法、聚类算法都是result-oriented。我相信。。你们也会试不同的方法得到自己expected的结果吧！
DMY：感觉都是先用各种方法先分析，那个结果好就用那个，均衡来选择，结果导向，今天又做到一个新知识，谢谢大神！
DMY：请问内部验证应该分配多少样品比例比较好呢？有些文章按照每组50％来分配，有些按照80％训练和20％来分，那个更好呢？
Paul：7：3，1：1的都有用，结果导向。
大鱼海棠：对，结果导向。五折多一些，只要不太离谱。
赞美太阳：请教个问题，为什么不用rfsrc这个函数筛选变量？
大鱼海棠：没有用新的函数包
赞美太阳：那么rfs之后可以自行再来一发var.select吗？
大鱼海棠：感觉没必要
赞美太阳：嗯，我觉得只要能说通就可以了。