用lasso做预后模型的简易工具
Lasso是Least Absolute Shrinkage and Selection Operator的简称，是一种采用了L1正则化（L1-regularization)的线性回归方法，采用了L1正则会使得部分学习到的特征权值为0，从而达到稀疏化和特...
Lasso是Least Absolute Shrinkage and Selection Operator的简称，是一种采用了L1正则化（L1-regularization)的线性回归方法，采用了L1正则会使得部分学习到的特征权值为0，从而达到稀疏化和特征选择的目的。
Lasso 的基本思想是在回归系数的绝对值之和小于一个常数的约束条件下，使残差平方和最小化，从而能够产生某些严格等于0 的回归系数，得到可以解释的模型。R的Lars 算法的软件包提供了Lasso编程，我们根据模型改进的需要，可以给出Lasso算法，并利用AIC准则和BIC准则给统计模型的变量做一个截断，进而达到降维的目的。因此，我们通过研究Lasso可以将其更好的应用到变量选择中去。
说简单点：在回归分析中因素筛选主要用到逐步回归stepwise、向前、向后等等方法，这些方法比较传统，而对于共线性问题比较严重的数据，或者变量个数大于观测值个数例如基因测序数据，基因个数远大于观测值个数（病人数），上述传统方法不合适，而Lasso 方法就是为了解决上述问题而生，它提供了一种新的变量筛选算法，可以很好的解决共线性问题，对于我们平常做的回归分析，如果大家觉得用普通的方法筛选到的变量不理想，自己想要的变量没有筛选到，可以用此方法试一试，具体流程是先在R软件中用此方法筛选出变量，之后对筛选出的变量再做COX回归或者其他回归分析。
在这里我们开发了这样的一个简易工具，可以快速的进行lasso-cox分析，界面如下：
点击 开始分析-》输入 任务名称 -》等待运行完成-》载入运行结果
在网页下方可以看到结果：
并且还提供写作示例：
- 发表于 2021-09-16 20:15
- 阅读 ( 4336 )
- 分类：软件工具
