R语言 |
您所在的位置:网站首页 › r语言gam模型筛选变量 › R语言 |
本文接 预测模型变量筛选:方法篇 基因表达量高低分组的cox和连续变量cox回归计算的HR值差异太大? | 生信菜鸟团 (bio-info-trainee.com) 常见回归模型评估方法 平均绝对误差,Mean Absolute Error (MAE):预测值与真实值之间平均相差多大; 均方误差,Mean Square Error (MSE):是指参数估计值与参数真值之差平方的期望值。MSE是衡量平均误差的一种较方便的方法,MSE 可以评价数据的变化程度,MSE的值越小,说明预测模型描述数据具有更好的精确度。 R平方值,R-Squared (R²):它是表示回归方程在多大程度上解释了因变量的变化,或者说方程对观测值的拟合程度如何。 其他 RMSE:均方误差平方根; 校正R²:对原始R²的改进: Cp:马洛斯CP值: AIC(赤池信息准则)和BIC (贝叶斯信息准则) 回归与判定标准 逐步回归,模型判定:AIC,值越小模型越优; 全子集回归,模型判定,调整R²,值越大模型越优,BIC和CP值越小越好; Lasso回归+交叉验证:模型判定,MSE,具体见下文。 目录 单因素Cox初筛变量 最优子集回归初筛变量 Lasso回归+交叉验证初筛变量 三种方法筛选的变量纳入多因素Cox进行最终筛选 用三种方法最终选出的变量构建模型并进行比较 最佳的模型将用于构建预测模型Nomogram 本文筛选变量和建模思路 1. 三种方法筛选变量; 1-1. 单因素Cox以P |
今日新闻 |
推荐新闻 |
CopyRight 2018-2019 办公设备维修网 版权所有 豫ICP备15022753号-3 |