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(guān)于SHAP值其實我們之前的很多個推文中都介紹到，不論是R版本的還是Python版本的，...
發(fā)簡信
IP屬地：內(nèi)蒙古
-
R與機器學習系列|15.可解釋的機器學習算法（Interpretable Machine Learning）（下） -
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(xiàn)。本次我們將繼續(xù)介紹其他的用來解釋機器學習算法的方法。 1.特征交互...
-
一鍵單多因素回歸分析及ggplot2可視化回歸分析結(jié)果之前的推文中多次提到過autoReg這個包，用來實現(xiàn)一鍵單多因素回歸分析，同時可以導(dǎo)出回歸分析的結(jié)果為word或ppt格式，只需要簡單修改下格式就不用再進行任何操作，可以說非...
-
基于基因表達數(shù)據(jù)通過mMCP-counter估計小鼠樣本組織浸潤免疫和基質(zhì)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(xiàn)上述目的，例如ESTIMATE、CIBERSORT、xCell、MCPcou...