svm预测结果为同一个值_生信SCI加分必备的分析！5分+临床预测模型不能不会的分析！你一定要看看！...

机器学学习在生信分析的三大经典模型其三

大家好，我是阿琛。机器学习在生信分析中的三大经典模型：LASSO模型，随机森林模型和支持向量机模型。在前面的内容中，我们分别介绍了LASSO模型(高分生信秘籍！手把手叫你构建LASSO Cox回归模型)和随机森林模型(临床预测模型必会的知识点，学会了再给你的SCI加1分的工作量！)的构建方法。今天，我们一起来看一下最后一种经典模型，即支持向量机模型。

支持向量机(Support Vector Machine, SVM)最早提出于1964年，是监督学习中的一类。SVM的基本原理是基于一个分离超平面，将数据集准确的进行划分，且该平面的几何间隔最大化。因此，对于一个线性可分的数据集而言，尽管线性可分离平面存在无穷多个，但几何间隔最大的分离超平面是唯一的。目前，SVM主要应用于人像识别，分类等场景中。 下面，我们一起来看一下支持向量机模型的构建过程。

1.R包的安装与读取

rm(list = ls())   #清空环境变量options(stringsAsFactors = F)###1. R包的安装与读取if(!require(e1071))install.packages("e1071")if(!require(Hmisc))install.packages("Hmisc")if(!require(ggpubr))install.packages("ggpubr")if(!require(ROCR))install.packages("ROCR")library(e1071)   #svmlibrary(Hmisc)library(ggpubr)library(ROCR)

e1071包是用于进行支持向量机分析的R包。尽管名字看似简单，但内部包含了多种功能强大的相关函数，包括模型优化的tune.svm()函数，以及一些核函数，使用起来简单方便。

2.数据读取与处理

#读取表达数据rt "exp.txt", header=T, sep=exp 1))head(exp)[1:4, 1:4]

#读取临床数据cli <- read.table("cliData.txt",header=T,sep="  ",check.names=F, row.names