用R執行羅吉斯回歸的repeated cross validation－晨晰統計部落格新站（統計、SPSS、BIG DATA討論園地）

1.資料來源:

筆者使用一個肺癌病人的資料，此資料總共47筆，主要的outcome是PCR的陽性與否(Yes=陽性;No=陰性)，這個資料蒐集了MRI測量的各種數據，筆者後面的示範主要會用腫瘤的大小(Tumor size)來做分析，腫瘤的大小(Tumor size)在資料當中有分幾個時間點的測量(R0, R1, R2)，除此之外，筆者再去計算不同時間點腫瘤大小(Tumor size)的差異，因此還可以得到額外的三個欄位(特徵)，筆者想根據這六個特徵去跟outcome跑ROC的分析，想藉此了解哪一個特徵比較可以用來區別PCR的結果。

2匯入R package:

#可參考筆者R軟件包-caret介紹的文章” https://topepo.github.io/caret/model-training-and-tuning.html”

library(caret)

#用於讀取外部資料集

library(haven)

3.讀取資料

#讀入SPSS資料

data <- read_sav("sample_20210528.sav")

#指定PCR為一個factor(類別變項)，這邊需要設定，不然後面跑cross-validation的時候會有問題

data$PCR <- as.factor(data$PCR)

#標記0跟1是甚麼

levels(data$PCR)=c("No","Yes")

#這樣可以直接使用資料的變項，不需要特別指定資料來源

attach(data)

#產生需要變項的list(清單)

variable.list=c("PCR","R0_size.cm","R1_size.cm","R2_size.cm",

"Diff_R1R0_Tumor_size.cm","Diff_R2R0_Tumor_size.cm","Diff_R2R1_Tumor_size.cm")

#根據list保留所需變項，根據這步驟，資料會只保留7個變項

data1 <- data[,variable.list]

4.分析前處理:

筆者會先將之後要建模的內容先存成物件，這樣後續分析的時候語法可以比較精簡整齊，只需要做不同fit的替換，目前總共會需要跑六個模型

#Tumor size

fit1<- (PCR~R0_size.cm)

fit2 <- (PCR~R1_size.cm)

fit3 <- (PCR~R2_size.cm)

fit4 <- (PCR~Diff_R1R0_Tumor_size.cm)

fit5 <- (PCR~Diff_R2R0_Tumor_size.cm)

fit6 <- (PCR~Diff_R2R1_Tumor_size.cm)

5.Validation 的參數設定:

在caret的套件中，提供了許多內部驗證的做法，之所以要做內部驗證是因為筆者的資料樣本相當的小，沒辦法做將資料7(建模):3(測試)的分割，因此只能透過內部驗證的方式來去驗證模型，筆者這邊採取5-fold validation重複10次的方式。

#number: N fold; repeats:重複次數

train_control <- trainControl(method="repeatedcv", number=5,repeats=10,

summaryFunction = twoClassSummary, classProbs = TRUE, savePredictions = T)

6.執行羅吉斯迴歸(Logistic regression):

這邊的分析，主要會用到caret支援的”glm”方法，讓筆者可以去執行羅吉斯迴歸，在執行的過程會根據train_control對於內部驗證的設定去執行分析，metric="ROC"代表分析過程中會得到AUC的結果，以筆者的例子來說會得到50次的做完5-fold cross-validation AUC結果。