Day29 机器学习

关于Day29 机器学习的思维导图，本专业和有兴趣的朋友们不要错过，可以下载做复习。

机器学习

• 应用
  • 基因组学数据分析
  • 蛋白质结构预测
  • 药物发现与设计
  • 生物图像分析
  • 转录组学数据分析
  • 疾病预测和诊断
• 机器学习结合同源重组缺陷(Homologous Recombination Deficiency， HRD)
  • 为什么使用机器学习
    • 多源数据整合
    • 复杂关系挖掘
    • 预测患者响应
    • 数据维度高
    • 个性化治疗
  • 优势
    • 综合多源信息
    • 发现潜在生物标志物
    • 预测治疗响应
    • 加速研究进程
    • 提高预测准确性
  • 难点
    • 数据质量和标准化
    • 样本量不足
    • 复杂的生物学机制
    • 解释性和可解释性
    • 过拟合和泛化
    • 治疗多样性
    • 临床应用验证
  • 一般步骤
    • 数据收集和准备
      • 要进行质量控制和标准化
    • 特征设计和选择
    • 数据划分
      • 训练集
      • 验证集
      • 测试集
    • 模型选择和训练
    • 模型验证
    • 模型调优
    • 模型测试和评估
    • 结果解释
    • 临床应用验证
• 非肿瘤机器学习
  • 好处
    • 模式识别与预测
    • 数据驱动的假设生成
    • 定制化医学和药物研发
    • 广泛的应用领域
    • 数据驱动
  • 挑战
    • 数据质量和异质性
    • 样本量不足
    • 特征选择和高维数据
    • 类别不平衡
    • 数据集的标注
    • 生物学复杂性
    • 模型选择和调优
  • 一般步骤
    • 问题明确与数据收集
    • 数据预处理
      • 数据清洗
      • 去除噪音
      • 填补缺失值
      • ......
    • 特征提取与选择
    • 数据探索与可视化
    • 模型选择与训练
    • 模型评估
    • 模型调优
    • 结果解释与应用
    • 实验验证
• 16+ NC 算法
  • 算法
    • 随机生存森林（random survival forest，RSF)
    • 套索回归(LASSO)
    • 岭回归(Ridge)
    • 弹性网络(elastic network,Enet)
    • 逐步 Cox 回归(stepwise Cox)
    • CoxBoost
    • 用于 Cox 模型的偏最小二乘回归(partial least squares regression for Cox，plsRcox)
    • 监督主成分分析(supervised principal components，SuperPC)
    • 广义提升回归模型（generalised boosted regression modelling，GBM）
    • 生存支持向量机（survival support vector machine，survival-SVM）
  • 好处
    • 特征选择和降维
    • 处理高维数据
    • 预测准确性
    • 生存分析
    • 多样性模型
  • 优势
    • 预测性能提高
    • 特征选择和解释性
    • 适应不同数据类型
    • 处理复杂关系
    • 自动化
    • 交叉验证和泛化能力
    • 对于临床实践具有重要意义
    • 集成多种算法
  • 挑战
    • 样本不平衡
    • 多重共线性
    • 特征选择和解释
    • 交叉验证
    • 数据预处理
    • 算法选择和参数调优
    • 生物学解释