發(fā)簡信
IP屬地：四川
-
R與機器學習系列|15.可解釋的機器學習算法（Interpretable Machine Learning）（下）今天我們介紹可解釋機器學習算法的最后一部分，基于XGBoost算法的SHAP值可視化。關于SHAP值其實我們之前的很多個推文中都介紹到，不論是R...
-
R學習|感受ggplot2的魅力—ggplot2復現Nature可視化（四）抽空接著更新之前的數據可視化。本次主要復現之前這篇文獻的圖5中的兩個圖，層級聚類熱圖和柱狀圖。主要用到ggplot2的基礎繪圖功能、pheatm...
-
機器學習文獻|基于循環(huán)細胞因子特征，通過機器學習算法預測NSCLC免疫治療結局今天我們一起學習一篇最近發(fā)表在Journal for immunotherapy of cancer （IF 10.9）上的文章，Machine...
-
R與機器學習系列|15.可解釋的機器學習算法（Interpretable Machine Learning）（中）在上次推文中我們介紹了幾種可解釋機器學習算法的常見方法，包括置換特征重要性、偏依賴圖和個體條件期望及其實現。本次我們將繼續(xù)介紹其他的用來解釋機器...
-
R與機器學習系列|15.可解釋的機器學習算法（Interpretable Machine Learning）（上）Machine learning is changing the world! 在之前的章節(jié)中（見 連載），我們學習了如何訓練多種不同形式的高級...
-
一鍵單多因素回歸分析及ggplot2可視化回歸分析結果之前的推文中多次提到過autoReg這個包，用來實現一鍵單多因素回歸分析，同時可以導出回歸分析的結果為word或ppt格式，只需要簡單修改下格式...
-
基于基因表達數據通過mMCP-counter估計小鼠樣本組織浸潤免疫和基質細胞組成引言 在生物信息學分析中，相信目前估計樣本免疫細胞浸潤是必不可少的。目前，在R中有多種方法可以實現上述目的，例如ESTIMATE、CIBERSO...