前言
自用生信代码， 花费一个多月写下来的。自学R以来第一次写600多行的代码。我的文章已经发表，如对您的研究有帮助希望可以引用一下。文章点我
SVM-RFE
主要是借助e1071包， 实现mSVM-REF识别并筛选关键基因，没有安装的小伙伴需要安装一下。
install.packages("e1071")
mSVM-REF函数是John Colby教授写的链接点我。如无法上GitHub，我也上传在我的gitee仓库里，可以点击右边的1直达1。
输入文件整理成这种样子，即行为样本，列为基因，第一列是分组信息（我只做了两组比较，多组对比需要再研究）。
函数是已经写好的，我们直接引用即可。
set.seed(2023)
library(e1071)
#这里填写你存放的文件路径
source("D:\\ProgramFiles\\R\\Work\\msvmRFE.R")
nfold = 10 #10倍交叉验证
nrows = nrow(input)
folds = rep(1:nfold, len=nrows)[sample(nrows)]
folds = lapply(1:nfold, function(x) which(folds == x))
results = lapply(folds, svmRFE.wrap, input, k=10, halve.above=100)
top.features = WriteFeatures(results, input, save=F)
featsweep = lapply(1:5, FeatSweep.wrap, results, input)
no.info = min(prop.table(table(input[,1])))
errors = sapply(featsweep, function(x) ifelse(is.null(x), NA, x$error))
pdf("svm_rfe.pdf", height = 8, width = 10)
PlotErrors(errors, no.info=no.info)
dev.off()
plot(top.features)#这个图也可以保存
另外我还参考了的Maryam教授的并行代码链接点我，并行计算，提高计算速度。前提是要在win10系统中需要安装Rmpi。 印象中我折腾了一下才装上，如果没安装成功，就不要尝试了，用上面的代码让它慢慢跑也是可以出结果的。
set.seed(2023)
library(e1071)
library(Rmpi)
library(snow)
library(parallel)
#这里填写你存放的文件路径
source("D:\\ProgramFiles\\R\\Work\\msvmRFE.R")
nfold = 10 #10倍交叉验证
nrows = nrow(input)
folds = rep(1:nfold, len=nrows)[sample(nrows)]
folds = lapply(1:nfold, function(x) which(folds == x))
#make a cluster
cl <- makeMPIcluster(mpi.universe.size())
clusterExport(cl, list("input","svmRFE","getWeights","svm"))
results <-parLapply(cl,folds, svmRFE.wrap, input, k=10, halve.above=100)
top.features = WriteFeatures(results, input, save=F)
clusterExport(cl, list("top.features","results", "tune","tune.control"))
featsweep = parLapply(cl,1:100, FeatSweep.wrap, results, input)
stopCluster(cl)
no.info = min(prop.table(table(input[,1])))
errors = sapply(featsweep, function(x) ifelse(is.null(x), NA, x$error))
pdf("svm_rfe.pdf", height = 8, width = 10)
PlotErrors(errors, no.info=no.info)
dev.off()
plot(top.features)
mpi.exit()
其他内容
我文章中所用的其他代码，包括下载数据、差异分析、lasso回归、随机森林等网上的攻略已经很多了，就不再重复，只是把我实际使用的贴出来给大家做参考，可以点旁边这个1访问。1
- GEOquery包下载GEO中的数据。（有时候下不下来还是需要自己手动下载读取）
- limma包对芯片数据进行差异分析。
- DESeq2包对测序数据进行差异分析。
- MEGENA包构建共表达图谱。
- glmnet包实现lasso回归筛选
- randomForest包实现随机森林筛选。
- venn包绘制韦恩图。
- pROC包检验预测效果。
- CIBERSORT进行免疫浸润分析（函数代码点我）。
- 用ggplot2，余叔的aplot等包进行了一些可视化。
代码写的有点乱，具体讲解先鸽了，有时间再来整理。
如果看不懂的可以在下面评论和私信我。
最后想说
其实这些代码都是别人写好的，我只是搬运过来。就好比人家花了好多时间养好的鱼被我买过来，再卖给大家，我是个香香的卖鱼的。
我不生产代码，只是代码的搬运工。
到此这篇关于R语言中利用SVM-RFE机器学习算法筛选关键因子的文章就介绍到这了,更多相关内容请搜索服务器之家以前的文章或继续浏览下面的相关文章希望大家以后多多支持服务器之家！
原文地址：https://blog.csdn.net/weixin_55842556/article/details/128828895
