我已经在微阵列基因表达集中识别出疾病病例和对照中感兴趣的基因并应用了PCA。我想使用弹性网络回归建立一个模型,可以确定哪些主要组件可以预测源(案例与控制),但我不确定如何做到这一点,即输入什么作为x和y变量。任何帮助都将非常感谢!主成分分析和弹性净回归
0
A
回答
1
某些形式的子集选择(即您所指的弹性净回归)适合'惩罚'模型并确定最有效的预测因子不适用于PCA或PCR(主成分回归)。 PCR将数据集减少为“n”个成分,不同的主成分指的是数据内不同的“方向”。第一主成分是具有最方差数据内的方向上,第二主成分是具有第二最方差数据内的方向等
如果要输入:
summary(pcr.model)
它将返回一个表格,其中包含每个主要组件在响应(即您的y)中解释的方差量。您会注意到主要组件解释的累计变化总量。
PCR的想法是,您可以选择这些的一个子集(如果您的数据是适用的 - 即大部分差异在前几个主要组件中捕获),可以大大降低数据的维度(可以让你说出PC1与PC2的关系图)。请注意,PCR通常用于序数据或分类数据类型的分类,所以如果您的数据不是这样,可能使用其他的。 但是,如果您想知道哪些预测指标是有用的并应用弹性网型回归,我会推荐使用套索。我还会推荐ISLR书,其中包含所有重要频率主义建模技术的优秀R演练。
相关问题
- 1. Matlab常数项主成分回归(pcr)分析
- 2. 线性回归分析 - 滚动行
- 3. 性能还是天气回归分析
- 4. 主成分分析和旋转
- 5. 主成分和因子分析
- 6. 主成分分析和功能降低
- 7. Python - 主成分分析
- 8. Caret的主成分分析
- 9. 分组的回归量在方差分析表对多元线性回归
- 10. 多元回归分析
- 11. R - Logarthmic的回归分析
- 12. 净分析工具
- 13. 做特征选择,主成分分析和归一化的正确顺序?
- 14. 使用libpca进行主成分分析
- 15. 主成分分析的工作示例?
- 16. 主成分分析(PCA) - 访问形状
- 17. Matlab问题 - 主成分分析
- 18. Python - 主成分分析(PCA)错误
- 19. RNN中的主成分分析
- 20. 主成分分析vs特征去除
- 21. R中的主成分分析,ggbiplot
- 22. 如何在主成分分析之后拟合线性模型
- 23. PCA(主成分分析)和特征选择之间的区别
- 24. 自动回归分析优于C#
- 25. 摘要Logistic回归分析结果
- 26. 从主成分回归提取最低MSEP R
- 27. 弹性搜索查询分析
- 28. 弹性搜索输入分析
- 29. 使用基于子组的线性回归分析
- 30. Java性能分析,性能调整和内存分析练习
可能与'biostars'平台有关。 – Prradep