禁止商业或二改转载，仅供自学使用，侵权必究，如需截取部分内容请后台联系作者!
image.png
- R语言机器学习算法实战系列（一）XGBoost算法+SHAP值（eXtreme Gradient Boosting）
- R语言机器学习算法实战系列（二） SVM算法+重要性得分（Support Vector Machine）
- R语言机器学习算法实战系列（三）lightGBM算法+SHAP值（Light Gradient Boosting Machine）
- R语言机器学习算法实战系列（四）随机森林算法+SHAP值 (Random Forest)
- R语言机器学习算法实战系列（五）GBM算法+SHAP值 (Gradient Boosting Machines)
- R语言机器学习算法实战系列（六）K-邻近算法 (K-Nearest Neighbors)
- R语言机器学习算法实战系列（七）朴素贝叶斯分类算法 (Naïve Bayes Classifier)
- R语言机器学习算法实战系列（八）逻辑回归算法 (logistic regression)
- R语言机器学习算法实战系列（九）决策树分类算法 (Decision Trees Classifier)
- R语言机器学习算法实战系列（十）自适应提升分类算法 (Adaptive Boosting)
- R语言机器学习算法实战系列（十一）MLP分类算法 (Multi-Layer Perceptrons)
- R语言机器学习算法实战系列（十二）线性判别分析分类算法 (Linear Discriminant Analysis)
- R语言机器学习算法实战系列（十三）随机森林生存分析构建预后模型 (Random Survival Forest)
- R语言机器学习算法实战系列（十四）: CatBoost分类算法+SHAP值 (categorical data gradient boosting)
- R语言机器学习算法实战系列（十五）随机森林生存预后模型+SHAP值 (Random Survival Forest + SHAP)
- R语言机器学习算法实战系列（十六）随机森林算法回归模型+SHAP值（Random Forest Regression + SHAP）
- R语言机器学习算法实战系列（十七）特征选择之弹性网络回归算法（Elastic Net Regression）
- R语言机器学习算法实战系列（十八）特征选择之LASSO算法（Least Absolute Shrinkage and Selection Operator Regression）
- R语言机器学习算法实战系列（十九）特征选择之Monte Carlo算法（Monte Carlo Feature Selection）
- R语言机器学习算法实战系列（二十）特征选择之Boruta算法
机器学习论文
- R语言机器学习论文（一）：研究背景
- R语言机器学习论文（二）：数据准备
- R语言机器学习论文（三）：特征提取
- R语言机器学习论文（四）：模型构建
- R语言机器学习论文（五）：解释模型
- R语言机器学习论文（六）：总结
介绍
随机森林生存分析（Random Survival Forest，简称RSF）是一种用于处理右删失数据（即生存时间数据）的机器学习方法，它是传统随机森林算法在生存分析领域的扩展。RSF的目标变量是生存时间，它考虑了每个样本的生存时间（T）和删失时间（C），其中删失时间指的是在观察期间内未发生感兴趣事件的时间。RSF框架的核心步骤包括：
- 数据重采样：从原始数据中抽取多个bootstrap样本，每个样本平均排除一定比例的数据，称为袋外数据（Out-Of-Bag, OOB）。
- 构建生存树：对每个bootstrap样本构建一棵二叉生存树。在树的每个节点上，随机选取一定数量的候选变量，并使用最大化子节点之间生存差异的候选变量进行拆分。
- 生长限制：在叶节点不少于一定数量死亡事件的约束下，将树生长到完整大小。
- 累积风险函数：对每棵树计算累积风险函数（Cumulative Hazard Function, CHF），得到集成累积风险函数的均值。
- 预测误差计算：使用OOB数据，计算集成累积风险函数预测误差。
教程
本文旨在通过R语言实现Random Survival Forest，总共包含：
- 加载R包
- 案例数据
- 数据预处理
- 数据描述
- 构建randomForestSRC模型
- 评估模型
- 特征重要性（筛选特征）
- 构建新模型
- 模型解释SHAP
- 保存模型
- 总结
- 系统信息
更多内容请前往
R语言机器学习算法实战系列（十五）随机森林生存预后模型+SHAP值 (Random Survival Forest + SHAP)
image.png
