- 博客(234)
- 资源 (14)
- 收藏
- 关注
RSS订阅原创 成功解决报错：cell2location导入报错 cannot import name ‘parse_use_gpu_arg
Cell2location采用贝叶斯层次框架。首先使用外部单细胞RNA测序数据作为参考数据，估计细胞类型特异性基因表达特征。然后，通过负二项分布（negative binomial regression）对观察到的空间表达计数矩阵建模，其中均值参数取决于参考细胞类型的特征，过度分散参数使用指数-伽马复合先验建模，旨在使大多数基因具有低过度分散。基因特异性技术灵敏度和基因-位置特异性的加性偏移被包括在均值参数的一部分，每个都使用单独的层次伽马先验进行建模。
2024-07-15 21:26:18
852
原创 生存分析和机器学习
在生存分析中，可以使用基于集成学习的方法，如Bagging、Boosting等，对多个模型进行集成，提高生存时间的预测准确性。鉴于目前生存分析的解读性文章太多，本公众号主打数据分析的实践、实战、复盘以及高分文章的复盘，本文只罗列核心的几个概念，欲只更多，大家可自行检索其他。在数据分析过程中，小编发现大家最大的问题是无法将自己的变量在不同的分析目的中顺延下去，因此，基于此生存分析合集，你将主要学会如何具体应用深度学习模型进行生存分析，并且迅速掌握用python及R语言实现用自己的数据进行生存分析，发表文章。
2024-05-06 06:05:51
743
1
原创 【基于深度学习进行多变量纵向数据和生存数据的动态预测】
01【研究背景】阿尔茨海默病(AD)是一种进行性神经退行性疾病，在疾病的早期阶段准确预测AD的进展对于治疗至关重要。AD患者通常在疾病的整个过程中进行随访，从而重复测量多个纵向变量，将多个纵向变量纳入生存模型将会改善AD预测。许多现有的预测方法只使用最后可用的观测，忽略了累积纵向信息，具有局限性；适用于纵向和生存数据的联合模型(JM)被用于评估各种纵向生物标志物预测AD的能力，当考虑多个纵向结果，JM涉及大量的随机效应，计算困难。02【当前进展和关键科学问题】目前已经提出
2024-05-06 06:03:52
1061
原创 神经网络模型--DEEPSURV
其中：：特指神经网络的输出，表示给定协变量 的风险的对数估计。：是在时间 之前仍然存活的所有个体的风险的对数总和。：表示发生事件（例如死亡）的个体数。：这是正则化项，用于防止模型过拟合。
2024-05-06 06:00:01
891
原创 Linux环境下的7种文件
对于Linux环境下的编程学习，小编已经发布过关于Linux内核组成的相关推文了，本次决定发一篇关于Linux环境下文件类型的推文，希望对读者的学习有所帮助。对于文件类型及信息的查看方式，小编知道的方式有三种，如图所示，如果读者还知道其他方式，可以到后台给小编留言哦！作用：一种用于进程间通信的特殊文件，也称为命名管道FIFO。作用：用于存放目录项，是文件系统管理的重要文件类型。6、字符设备文件---->c。4、套接字文件---->s。7、块设备文件---->b。1、普通文件---->-
2024-05-06 05:45:59
150
原创 Linux- 如何快速移动代码块？
相信程序员在编程（撸代码）的时候，都会有对代码块进行调整的时候，但是如何快速的移动代码块以实现高效率呢？对于代码块的快速移动，除了需要掌握通过Ctrl + C 和 Ctrl + V 实现代码跨文件移动或同一文件不同位置移动之外，还需要掌握小编今天给刚入门的小白提供的方法，实现代码的原地移动及代码块的整齐排列。好了，本次推文的内容就到这里，如果读者对于本次推文内容、文字排本等相关内容有什么好的建议，可以到本公众号后台进行留言哦！4、在食指持续按住的情况下，根据自己的需要用中指点击Tab键，达到效果。
2024-05-06 05:44:33
213
原创 Linux内核的五大子系统
虚拟文件系统（VFS）是物理文件系统与服务之间的一个接口层，它对Linux的每个文件系统的所有细节进行抽象，使得不同的文件系统在Linux核心以及系统中运行的其他进程看来，都是相同的。进程是正在运行的程序实体，并且包括这个运行的程序中占据的所有系统资源，比如说CPU（寄存器），IO,内存，网络资源等。内核，是一个操作系统的核心。是基于硬件的第一层软件扩充，提供操作系统的最基本的功能，是操作系统工作的基础，它负责管理系统的进程、内存、内核体系结构，设备驱动程序、文件和网络系统，决定着系统的性能和稳定性。
2024-05-06 05:42:43
666
1
原创 linux查看、添加、删除环境变量--实测好用
环境变量(environment variables)一般是指在操作系统中用来指定操作系统运行环境的一些参数。环境变量本质就是一张表，保存在内存当中。该表在用户登录系统的时候，给用户生成的特定的环境变量表。环境变量的主要用途：身份认证动态库查找保存工作路径(pwd)特定路径查找保存特定变量值。
2024-05-06 05:40:38
1463
原创 vscode连接远程服务器【亲测可用】
VS Code几乎是所有的程序员必备的工具之一，据说全球一般的开发者都使用过VS Code这款工具。今天为大家介绍一下 VS Code 实现远程办公的方法。
2024-05-05 10:45:24
1504
原创 【无标题】
为了衡量学习者在新的数据上的表现，我们通常通过将数据分成训练集和测试集来模拟unseen数据的场景。通常，我们可以选择此类超参数的值。然而，在大多数情况下，我们希望调整学习器，以便它可以自己搜索“好的”模型配置。num.trees 默认为 500，mtry 为 floor(sqrt(ncol(data) - 1))，在我们的例子中是 4。在我们的例子中，我们的目标显然是对二元因子变量 credit_risk 进行建模或预测。通常，在机器学习中，我们不使用可用的完整数据，而是使用一个子集，即所谓的训练数据。
2024-04-25 13:52:46
719
原创 mrls3 超参数调参
机器学习的是模型的一阶（直接）参数，是训练模型时用梯度下降法寻优的参数，比如正则化回归模型的回归系数；而是模型的二阶参数，需要事先设定为某值，才能开始训练一阶模型参数，比如正则化回归模型的惩罚参数、KNN的邻居数等。超参数会对所训练模型的性能产生重大影响，所以不能是随便或凭经验随便指定，而是需要设定很多种备选配置，从中选出让模型性能最优的超参数配置，这就是。。首先要知道学习器包含哪些超参数：id列就是超参数的名字，default列是默认值。
2024-04-25 13:27:27
985
原创 R语言数据可视化-Upset图
我要给你安利一个R语言绘图的超实用干货——集合可视化的神器：UpSetR包！🌟它能够优雅地处理集合间的交集、并集，让数据的对比和关系一目了然。🎨告别那些让人眼花缭乱的传统图表，用UpSetR包让你的数据图形简洁又美观，还能轻松展示出更多的信息。✨🚀 特点速览：1️⃣ 直观展示集合关系2️⃣ 动态交互，探索数据更深入3️⃣ 自定义设置，满足你的个性化需求4️⃣ 一键导出，分享你的发现🔬 数据分析，不再只是数字游戏，让我们一起用UpSetR包，把数据变成故事，讲述属于你的见解。📚关于不同集合之间的交集
2024-04-22 22:57:22
1953
原创 R语言-基于现有临床预测模型预测性能评估（predRupdate）
在结果中给出校准曲线的斜率0.7403，截距0.7479，AUC为0.5816及95%置信区间（0.5703-0.5928），Brier Score为0.1246。当我们用模型集成时，元模型必须是同一类型的模型，比如logistic或survival模型，这与常用的模型集成有所不同。在新数据上验证现有的预测模型，以估算模型的预测性能，即外部验证；将现有模型的系数及截距构建为数据框。将多个现有模型集成为一个新的模型。构建逻辑回归模型。模型验证。
2024-04-22 22:26:12
380
1
原创 【基于机器学习算法的随机生存森林-R语言生存分析】
随机生存森林是随机森林处理生存数据的扩展方法。它涵盖了随机森林的各种模型，包括：连续变量的回归，多元回归，分位数回归，分类，生存分析等典型应用。我们着重介绍其中的生存分析部分的内容。在生存分析中，常用Cox回归进行多因素分析。本文介绍一种基于随机森林算法的生存分析方法-随机生存森林（randomForestRSC）。4.2 绘制Brier score 随时间变化的曲线。7.2 karno变量对生存的影响。2.2 打印模型信息。绘制前5个样本的生存曲线。优化后的最佳节点数为10。
2024-04-22 22:17:10
586
原创 R语言-新颖的可解释性机器学习（vivid）
vivid构建了一种新的矩阵类型的布局，用于显示所有单变量和双变量的部分依赖图。这些新的可视化技术与模型无关，可以应用于回归和分类监督的学习设置，即使在变量数量很大且交互结构复杂的情况下，也能增强解释性。函数生成了一个广义偏依赖对图（GPDP），该图在对角线上包含了单变量偏依赖（带有ICE曲线），在上三角区包含了双变量偏依赖图，而在下三角区则是原始变量值的散点图。函数生成一个热图，用于显示变量重要性和交互作用，其中对角线上显示重要性值，非对角线上显示交互作用值。参数设置要显示的ICE曲线的数量。
2024-04-22 22:14:20
549
原创 R进阶绘图--散点图+统计分布图/ggpubr包/aplot包/gridExtra包
示例数据ToothGrowth数据集结构如图所示，这是一项评估维生素C对豚鼠牙齿生长的影响的研究数据，len是牙齿长度；supp是两种给药方式，一种是橙汁OJ，另一种是抗坏血酸VC；dose是三种给药水平。对于该数据集我们后续均采用非参数检验方法。iris数据集是R语言自带的鸢尾花数据集，有5个变量，我们今天用到的3个变量Petal.Length、Petal.Width、Species分别是花瓣长度、花瓣宽度和品种。示例数据。
2024-04-21 13:56:05
774
原创 R实用绘图--火山图 / ggplot2
火山图由散点图和阈值线构成，它通常用于展现统计检验的显著性（如：p value）和变化幅度（如：差异倍数），能够帮助我们快速直观地识别出那些变化幅度较大且具有统计学意义的数据点（如：差异基因）。常应用于生物学中的转录组、基因组等研究中。
2024-04-21 13:53:17
1121
原创 实用绘图--弦图 / circlize包
今天带领大家绘制的是弦图，主要用到的是circlize包中的chordDiagram()函数。和弦图与桑基图比较类似，可以展示类别型数据之间的关系和流向。连接两个数据点之间的弧线可以通过方向、颜色、线型、线宽和与圆的接触面积来展示不同纬度的关系信息。弦图的优点在于它能把复杂的数据关系可视化，数据关系呈现的更加直观，缺点是当连接数过多的时候，弦图会比较混乱。
2024-04-21 13:51:14
194
原创 R实用绘图--桑基图 / 冲击图 / networkD3
今天带领大家绘制的是桑基图（Sankey diagram），用于可视化流动、转移或转换过程中的能量、资源或数量。桑基图主要由两个元素组成：节点和流线。节点代表不同的实体，而流线则表示这些实体之间的流动。桑基图的特点是它能够清晰地展示复杂的流动关系，使观察者能够迅速理解系统中各个部分之间的相互作用和能量或资源的流动路径。这种图表常常用于能源管理、物流优化、资源分配等领域。桑基图的名称来源于一名爱尔兰船长，最初他采用这种图展示了蒸汽的能源效率，所以该图以他的名字命名为桑基图。
2024-04-21 13:50:29
674
原创 R实用绘图--韦恩图
今天带领大家绘制的是韦恩图（Venn diagram），韦恩图属于关系型图表，通过圆圈与圆圈之间的重叠关系，来表示集合与集合之间的相交关系。一般来说韦恩图只适用于小于等于5个集合的场景，如果集合过多，一方面是不美观，另一方面是常用的R包也不支持。这种情况可以考虑花瓣图或者Upset图等，后续我们都会更新。
2024-04-21 13:48:31
409
原创 R中list与dataframe相互转换
在用R语言处理数据的过程中，我经常会遇到list和dataframe数据格式之间的转换，一般是需要把list转换为dataframe的情况居多。一直以来我也没有好好研究两者的转换关系，通常都是碰到一次花时间解决一次，不知道有没有和我一样的小伙伴。这期推文比较系统的研究了list与dataframe转换的转换关系，希望能够对大家有所帮助，节约大家一些时间。
2024-04-21 13:46:03
535
原创 R语言：层次聚类分析（单、全、平均联动）+论文作图+计算距离矩阵+输出欧式距离
并且方法包括 "single"、"complete"、"average"、"centroid"和"ward"层次聚类方法可以用hclust()函数来实现，格式是hclust(d,method=)层次聚类：对于小样本来说很实用（如150个观测值或更少）划分聚类：能处理更大的数据量，但是需要事先确定聚类的个数。其中d是通过dist()函数产生的距离矩阵。直到所有的类被聚成一类为止。然后观测值被随机分成K类。每一个观测值自成一类。
2024-04-21 13:11:22
562
原创 R语言：随机森林分类+影响因子重要性可视化
我的理解：任一变量都不能单独作为判别好或坏的标准，建模的目的是找到多个变量（气象因子）的某种组合，从而实现对因变量（树皮厚度）的准确预测。rf为randomForest对象，需要说明的是，在构建随机森林模型时必须指定计算临近矩阵，即设置proximity参数为TRUE；（2）randomForest包：提供randomForest()函数用于随机森林。还可以通过R自带的plot函数绘制随机森林决策树的数目与模型误差的折线图。fac指定随机森林模型中所使用到的因子向量（因变量）；
2024-04-21 13:09:59
1094
原创 R语言：冗余RDA分析（结合回归和主成分分多元的排序方法）+置换检验+变差分解图
结合回归分析和主成分分析的排序方法使用：vegan包的rda()函数数据准备：变量之间要一一对应（比如都为30个样方）绘制RDA排序图（参数设置）参考R语言实践第三章：图形初阶RDA结果的置换检验：anova()注意：与方差检验无关。
2024-04-21 13:08:21
1233
原创 R语言：计算变量间相关系数+导出矩阵结果
alternative则用来指定进行双侧检验或单侧检验（取值为"two.side"、"less"或"greater"）method用以指定要计算的相关类型（"pearson"、"kendall" 或 "spearman" ）参数use=的取值可为"pairwise"或"complete"（分别表示对缺失值执行成对删除或行删除）参数method=的取值可为"pearson"（默认值）、"spearman"或"kendall"当研究的假设为总体的相关系数小于0时，请使用alternative="less"
2024-04-21 13:04:41
1141
原创 【R数据分析-基础】
可以在这里插入的典型函数有mean()、sd()、var()、min()、max()、median()、length()、range()和quantile()可以计算非缺失值的数量、平均数、标准差、中位数、截尾均值、绝对中位差、最小值、最大值、值域、偏度、峰度和平均值的标准误。格式为：stat.desc(x, basic=TRUE, desc=TRUE,norm=FALSE, p=0.95)若basic=TRUE（默认值），则计算其中所有值、空值、缺失值的数量，以及最小值、最大值、值域，还有总和。
2024-04-21 13:02:04
580
原创 【mantel test R 语言实现】
左边4个点表示4个分组，注意：点虽然只有一个，但表示的是矩阵数据！右边每个理化因子之间做相关性热图，颜色表示相关系数在通过manlel test，将左边矩阵与每个理化因子相关联注意：左边可以是一个大矩阵，也可以采用某些方法划分成若干小矩阵中间连线部分的宽窄和颜色分别代表r的统计量和显著性p值1.如果你有三个物种的数据和环境理化因子数据，你想知道哪些理化因子分别对三个物种影响最大？（当然也不一定要物种数据，可以换成其它）2.探索不同环境中的酶活性与理化因子间的关系。
2024-04-21 12:55:44
1942
原创 ggcor【安装方案实测成功】
这里要介绍的ggcor是corrplot的有一种实现，在吸收借鉴（或者说是全般）corrplot的基础上，略有提升，使用上会更灵活简单。矩阵可视化已经至少有两个版本的实现了，魏太云基于base绘图系统写了corrplot包，应该说是相关这个小领域中最精美的包了，使用简单，样式丰富，只能用惊艳来形容。基于重写了corrplot，实现了corrplot中绝大多数的功能，但仅支持“square”和“circle”的绘图标记，样式有些单调，不过整个ggcorrplot包的代码大概300行，想学习用。
2024-04-21 10:21:36
1191
原创 Win10安装DeepSpeed 实测成功
在 Windows 上构建 DeepSpeed 可能会遇到各种兼容性问题，因为 DeepSpeed 主要是为 Linux 环境设计的。而且，在 Windows 上安装 DeepSpeed 也相对较为复杂。默认已经安装python（版本>=3.7，我安装的是python 3.9)，安装。这个报错，找了很多答案，没有完美解决，我在设置了报错1后自动就没有了这个报错，下载完成后，打开并将其中的文件解压到CUDA安装目录对应的文件夹下。的模块，这通常是 DeepSpeed 所需的一个依赖项。
2024-04-18 21:13:35
2935
5
原创 生存分析机器学习
在生存分析中，可以使用基于集成学习的方法，如Bagging、Boosting等，对多个模型进行集成，提高生存时间的预测准确性。鉴于目前生存分析的解读性文章太多，本公众号主打数据分析的实践、实战、复盘以及高分文章的复盘，本文只罗列核心的几个概念，欲只更多，大家可自行检索其他。在数据分析过程中，小编发现大家最大的问题是无法将自己的变量在不同的分析目的中顺延下去，因此，基于此生存分析合集，你将主要学会如何具体应用深度学习模型进行生存分析，并且迅速掌握用python及R语言实现用自己的数据进行生存分析，发表文章。
2024-04-18 21:03:40
1022
原创 cannot import name ‘get_host‘ from ‘urllib3.util.url‘
Run这个错误表明在urllib3模块的util.url子模块中找不到名为get_host的函数。这可能是由于版本不匹配或者包的部分更新导致的。这个问题似乎与urllib3版本 2.0 有关，可能需要考虑降级urllib3版本到较旧的版本。你可以尝试使用以下命令安装一个较旧版本的urllib3Copy code。
2024-04-15 04:34:08
1942
原创 【Jupyter notebook】安装-换源-报错问题收集及实测解决法
在一个名为 kernel 的单独进程中运行用户的代码。kernel 可以是不同的 Python 安装在不同的 conda 环境或虚拟环境，甚至可以是不同语言（例如 Julia 或 R）的解释器。
2024-04-15 02:32:57
775
原创 mlr3工具包: 重采样、基准测试
基准测试（benchmark）就是将不同学习器应用于同一个或几个任务，并使用同一个或几个重采样方法，然后使用同一个或几个评估指标来比较学习效果的过程。分层重抽样是指，拥有某一共同特征的样本必须以同比例分布在训练集和测试集中。在前两篇推文里，我们都将原始数据随机划分为训练集和测试集，其中训练集用于模型训练，测试集用于模型评估。分组重采样是指，拥有某一共同特征的样本必须同时被划分到训练集或测试集里去。在重采样中，使用训练集训练出的模型称为“中间模型”，第二步是将重采样方法应用于学习任务，使用。
2024-04-13 19:54:15
702
原创 限制立方样条（RCS）做生存分析
研究数据通常来自于观察某个特定群体的个体，并收集其相关信息。这些数据可以是从临床试验、队列研究、调查问卷等途径获得的。数据的特征通常包括个体的生存时间、生存状态（例如是否死亡）、危险因素（例如年龄、性别、治疗方案等）以及其他可能影响生存的变量。「限制立方样条的原理和优势」限制立方样条是一种非参数的拟合方法，通过将连续变量（如生存时间）转化为多个分段函数来建模生存曲线。RCS在建模过程中不对数据分布作出假设，因此适用于各种类型的生存数据。与传统方法相比，RCS具有更高的灵活性，可以更准确地拟合生存曲线的形状。
2024-04-13 19:41:23
1145
原创 【R: mlr3：超参数调优】
模型调优当你对你的模型表现不满意时，你可能希望调高你的模型表现，可通过超参数调整或者尝试一个更加适合你的模型，本篇将介绍这些操作。本章主要包括3个部分的内容：超参数调整机器学习模型都有默认的超参数，但是这些超参数不能根据数据自动调整，往往不能得到更好的性能表现。但是手动调整往往也不能获得最佳的表现，mlr3包含自动调参的策略，在此包中实现自动调参，需要指定：搜索空间（search_space），优化算法（调参方法），评估方法（重抽样策略），评价指标。特征选择。
2024-04-13 19:09:11
664
01-MorphableModel.mat
2023-06-05
mxnet==1.7.0.post2
2022-06-07
torchvision-0.11.1+cu113-cp38-cp38-win_amd64
2022-06-02
org.Hs.eg.db_3.5.0.tar.gz下载一直报错
2022-05-26
Chromoblastomycosis
2022-05-10
SEER数据库简介 Documentation of SEER*Stat Variables
2022-05-09
pycocotools_windows-2.0.0.2-cp38-cp38-win_amd64.whl
2022-05-04
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人