临床数据挖掘课程系列第五讲.pdf

临床大数据的挖掘、分析及应用 第五讲 随机森林分析方法 随机森林方法与原理 案例：应用随机森林算法预测样本分类并提取结局的重要 风险因素 分析结果的图表展示及论文的撰写 1 1 随机森林方法与原理 随机森林 RANDOMFOREST  n 1 n n 3 n 4 n m 2 N 2 1 随机森林方法与原理 Method 采用有放回抽样法构建不同的样本集进行训 练，对每个样本集构建决策树，从而形成随机 森林，根据所有树的投票数确定样本的类别。 3 1 随机森林方法与原理 案例：随机森林处理的多分类问题 拉曼检测 吸毒 HIV 正常 实际观测 吸毒 44 0 1 HIV 1 35 0 正常 0 1 52 4 1 随机森林方法与原理 很多数据分析的结果证实随机森 林的分类效能很高,该方法可以解决 所有二分类和多分类的问题。 5 1 随机森林方法与原理 当前，随着生物医学技术的发展及大数据时代的到来，高通 量多指标的高维数据越来越多。比如高通量的Microarray技术， 可以同时检测成千上万个基因的表达谱，已经成为功能基因组研 究中的重要工具。 对于这些数据，一方面希望能够构建模型，获得样本最大的分 类准确率，另一方面如何能够从海量的指标中提取出重要的特征 属性也是较为重要的问题。随机森林（Random forest）方法能 够比较有效的解决这些问题。 6 1 随机森林方法与原理 随机森林算法是基于递归分类树的有监督学习方法。对原始训练集采用bootstrap法有放回的随 机抽取新的样本集并由此构建分类树，每次未被抽到的样本组成了袋外数据OOB （out-of-bag ）， 作为测试集。在树的每个分叉结点对特征空间作一次穷尽搜索，提取一个特征基因 ，使得在结点t 的划分最大程度降低类别杂质度。采用Gini差