生存分析-随机森林实验与代码

《生存分析-随机森林实验与代码》由会员上传分享，免费在线阅读，更多相关内容在教育资源-天天文库。

1、随机森林模型在生存分析中的应用【摘要】目的：本文探讨随机森林方法用于高维度、强相关、小样本的生存资料分析时，可以起到变量筛选的作用。方法：以乳腺癌数据集构建乳腺癌转移风险评估模型为实例进行实证分析，使用随机森林模型进行变量选择，然后拟合cox回归模型。结果：随机森林模型通过对变量的选择，有效的解决数据维度高且强相关的情况，得到了较高的AUC值。一、数据说明该乳腺癌数据集来自于NCBI，有77个观测值以及22286个基因变量。通过筛选选取454个基因变量。将数据随机分为训练集合测试集，其中2/3为训练集，1/3为测试集。绘制K-M曲线图：二、随机森林模型随机森林由许多的决策树组成，因为这

2、些决策树的形成采用了随机的方法，因此也叫做随机决策树。随机森林中的树之间是没有关联的。当测试数据进入随机森林时，其实就是让每一颗决策树进行分类，最后取所有决策树中分类结果最多的那类为最终的结果。因此随机森林是一个包含多个决策树的分类器，并且其输出的类别是由个别树输出的类别的众数而定。使用randomForestSRC包得到的随机森林模型具有以下性质：Numberofdeaths:27Numberoftrees:800Minimumterminalnodesize:3Averageno.ofterminalnodes:14.4275No.ofvariablestriedateachspl

3、it:3Totalno.ofvariables:452Analysis:RSFFamily:survSplittingrule:logrankErrorrate:19.87%发现直接使用随机森林得到的模型，预测误差很大，达到了19.8%,进一步考虑使用随机森林模型进行变量选择，结果如下：>our.rf$rfsrc.refit.objSamplesize:52Numberofdeaths:19Numberoftrees:500Minimumterminalnodesize:2Averageno.ofterminalnodes:11.554No.ofvariablestriedateach

4、split:3Totalno.ofvariables:9Analysis:RSFFamily:survSplittingrule:logrank*random*Numberofrandomsplitpoints:10Errorrate:11.4%>our.rf$topvars[1]"213821_s_at""219778_at""204690_at""220788_s_at""202202_s_at"[6]"211603_s_at""213055_at""219336_s_at""37892_at"一共选取了9个变量，同时误差只有11.4%接下来，使用这些变量做cox回归，剔除模型中不

5、显著（>0.01）的变量，最终参与模型建立的变量共有4个。模型结果如下：exp(coef)exp(-coef)lower.95upper.95`218150_at`1.65410.60460.1108624.6800`200914_x_at`0.99151.00860.340942.8833`220788_s_at`0.26493.77500.059441.1805`201398_s_at`1.74570.57290.331099.2038`201719_s_at`2.47080.40470.938086.5081`202945_at`0.41182.42840.039904.2499

6、`203261_at`3.15020.31740.3364129.4983`203757_s_at`0.78611.27200.616561.0024`205068_s_at`0.10739.31800.022230.5181最后选取六个变量拟合生存模型，绘制生存曲线如下：下面绘制ROC曲线，分别在训练集和测试集上绘制ROC曲线，结果如下：训练集：测试集：由于测试集上的样本过少，所以得到的AUC值波动大，考虑使用bootstrap多次计算训练集上的AUC值并求平均来测试模型的效果：AUCat1year：0.8039456AUCat3year：0.6956907AUCat5year：0.

7、7024846由此可以看到，随机森林通过删除贡献较低的变量，完成变量选择的工作，在测试集上具有较高的AUC值，但是比lasso-cox模型得到的AUC略低。附录：load("~/R/brea.rda")library(survival)set.seed(10)i<-sample(1:77,52)train<-dat[i,]test<-dat[-i,]library(randomForestSRC)disease.rf<-rfsrc(Surv(t