SpaceNet与常规方法的对比

前面对SpaceNet进行调参，发现最高才89%，我的直觉告诉我还是低了点，为了证明，我决定调用常规的方法，如svm，logistics等，来验证这个分数。

上一个章节对SpaceNet进行cv=10的操作，准确率是-89%和86%，再验证集是62.5%。
SpaceNet模型接受的数据是3D的数据，而scikitlearn是2D数据，所以需要降维，即使用nilearn的NiftiMasker函数，Nifti Masker，这个函数是用来把三维数据变成二维数据的，如下图:

当然了，这个70831是用group mask屏蔽了brain bet之外的体素，值得注意的是，这个二维数组虽然可以用于scikitlearn，但是不能用于SpaceNet模型。

还有一点需要注意的是，SpaceNet本身是没有threshold的，但是没有这个就不能画AUC，其实是有办法的，就是SpaceNet有一个专门的函数是decision_function，它>0代表正类，它小于0代表负类，有了这个函数，就有了threshold，就可以画AUC了，很棒。这个是重点，记笔记。

那么SpaceNet的cv准确率只有89%和86%，test accuracy也只有62.5%，是不是数据就是这样子呢？下面就试试其他的model，需要注意的是，这里调用model以后，model有3个方法，fit、predict和transform。

初始的未经调参的model准确率也不高，只有0.5，下次试试调整参数，看能不能达到0.9以上。
（待补充）
（待补充）
（待补充）
（待补充）
（待补充）
等调整好参数，accuracy变成90%以上以后，使用inverse_transform把二维数据变成3D，同时输出weight图像：

值得一提的是，scikit-learn具有统一的API，model后面是coef_或者feature_importances_就能提取出权重并输出3D图像。
如此一来，所有问题都解决了，就差调参和找ROI了。

2021-11-24更新

这几天总是不能理解SpaceNet模型，调参也很不顺利，于是我重新阅读了原始文献，一共6篇，感悟如下：
（1）原文说放进模型的数据，最好是预处理后的，但是不要进行smooth和filter，否则就改变了原始数据值。
（2）模型输入的数据只能是3D的。1D是列表，2D是单个nii图像（nii图像其实是3维的，这里我算作2D），这样就组成了3D。因此这样就导致一个问题：
对于任务态功能磁共振，这个很简单，就是从time slice中调出与label相关的slice，这个slice就是2D的，然后多个time slice就组成了3D，然后time对应着label。
但是对于多个被试的静息态功能磁共振来说呢？这就无法实现。因为静息态数据，如果是不filter不smooth，它就是3D数据，2D图像，1D时间序列，所以再加上多个被试，那就是4D了，无法输入模型，所以这个时候模型会报错。
对于上述问题，有两种方法解决。
一个是使用指标图像，比如reho图，reho是单层2D图。但是问题在于，reho是一个指标，它丢失了原始数据，用它来找ROI，这个行为本身没有逻辑性和关联性，相应的alff和falff同理，因此这种方法虽然可以出结果，但是我个人不太认可，这个方法也能达到62.5%的准确率，但是还是偏低，原文献中的预测准确率达到了73%。
另一个就是使用VBM分析的方式，用 grey matters segmentation，这个nii图是2D的，它也是符合模型要求的，所以可以用它来找灰质上的ROI，然后通过ROI计算FC。