Lasso交叉验证构建模型并计算各样本评分

Lasso交叉验证

library(glmnet)
library(survival)
library(survminer)

x = exp[,gene] #gene为纳入的基因集
y = Surv(time = cl$pfs_time, event = cl$pfs_status)

lasso.cv = cv.glmnet(x, y, nfolds = 10,  family = "cox", type.measure = 'C') #10折
plot(lasso.cv)#有两条垂直的虚线，左侧表示取得MSE最小值的logλ，右侧表示距离最小值1个标准误差的logλ，如果存在过拟合问题，那么logλ是一个很好的解决问题的起点

lasso.coef.cv = coef(lasso.cv, s = "lambda.1se") # 或者选择"lambda.min"
result.lasso = data.frame(i = lasso.coef.cv@i, Coef = lasso.coef.cv@x) #i为基因排序，x为回归系数
result.lasso$EnsemblID = gene[result.lasso$i]

• k折交叉检验的结果如下：指定 λ 后做 k 次交叉验证并对得到对应的 C-index 值的可信区间，根据此图选取 λ 值 

plot(lasso.cv)

•  输出结果 result.lasso 如下，包括了基因名和对应的回归系数

 计算各样本模型评分Score

meta = merge(exp[, colnames(exp) %in% result.lasso$EnsemblID], cl, by=0) #by=0为按行名组合
rownames(meta)=meta$Row.names;meta=meta[,-1]

for(i in 1:6){             #可选
  meta[,i] <- meta[,i]*result.lasso$Coef[i]
}
meta$Score = rowSums(meta[,1:6]) #可选，计算每个样本的Score
meta$group = ifelse(meta$Score > median(meta$Score),'high','low')

• 输入数据 meta 的结构为：基因表达（z-score）+ 生存资料

 meta