Classifier(stepwiseCM)
Classifier()所属R语言包：stepwiseCM
A function to predict the class labels of the test set.
一个函数来预测测试集类的标签。
译者：生物统计家园网 机器人LoveR
描述----------Description----------
Given the training set and the type of classification algorithm, this function constructs the classification model based on the training set and predict the class labels of the test set.
由于训练集和分类算法的类型，这个函数构造基于训练集的分类模型，并预测测试集类的标签。
用法----------Usage----------
Classifier(train, test = c(), train.label, type = c("TSP", "GLM", "GLM_L1",
"GLM_L2", "PAM", "SVM", "plsrf_x", "plsrf_x_pv", "RF"),
CVtype = c("loocv", "k-fold"), outerkfold = 5, innerkfold = 5,
featurenames = NULL)
参数----------Arguments----------
参数：train
A data frame or matrix of containing predictors for the training set, where columns correspond to samples and rows to features.
一个数据框或矩阵的含训练集的预测，其中列对应样品和行的功能。
参数：test
A data frame or matrix containing predictors for the test set (optional), where columns correspond to samples and rows to features.
一个数据框或矩阵包含测试集的预测（可选），其中列对应样品和行的功能。
参数：train.label
A vector of the class labels (0 or 1) of the training set. NOTE: class labels should be numerical not factor.
一类标签的训练集（0或1）的向量。注：类的标签应该是数值不是因素。
参数：type
Type of classification algorithms. Currently 9 different types of algorithm are available. They are: top scoring pair (TSP), logistic regression (GLM), GLM with L1 (lasso) penalty, GLM with L2 (ridge) penalty, prediction analysis for microarray (PAM), support vector machine (SVM), random forest method after partial least square dimension reduction (plsrf_x), random forest method after partial least square dimension reduction plus prevalidation (plsrf_x_pv), random forest (RF). NOTE: TSP, PAM, plsrf_x and plsrf_x_pv algorithms does not work with clinical data.
类型的分类算法。目前有9种不同的算法。它们分别是：（TSP），得分最高的一对，罗吉斯回归（GLM），L1（套索）的罚款，罚款，L2（脊）芯片的预测分析（PAM），支持向量机（SVM），随机森林法的GLM的GLM后偏最小二乘降维（plsrf_x），随机森林法后，偏最小二乘降维加上prevalidation（plsrf_x_pv），随机森林（RF）。注：TSP，PAM plsrf_x和plsrf_x_pv算法不起作用的临床资料。
参数：CVtype
Cross validation type.
交叉验证类型。
参数：outerkfold
Number of cross validation used in the training phase.
在训练阶段采用交叉验证的数目。
参数：innerkfold
Number of cross validation used to estimate the model parameters.
交叉验证的数量估计模型参数。
参数：featurenames
Feature names in molecular data (e.g. gene or probe names). If given, function also produces name of the selected feature during the training and test phases. Feature selection only works with "TSP", "GLM_L1" and "GLM_L2" algorithms. "RF" provides feature importance.
分子数据的功能名称（如基因或探针的名称）。如果给定的，功能也产生所选功能的名称，在训练和测试阶段。只适用于“TSP问题”，“GLM_L1”和“GLM_L2”算法的特征选择。 “射频”功能的重要性。
值----------Value----------
A list object Pred which contains following components:
一个List对象强的松，其中包含以下组件：
参数：P.train
predicted class labels of the training set.
预测类标签的训练集。
参数：P.test
predicted class labels of the test set if the test set is given.
如果测试集测试集的预测类的标签。
参数：selfeatname_tr
A list object, size of outerkfold, containing the name of the selected features during the training phase if the featurenames is given.
一个List对象，大小的outerkfold，包含在训练阶段，如果featurenames给出所选功能的名称。
参数：selfeatname_te
A list object containing the name of the selected features during the test phase if the test and featurenames are given.
一个列表对象包含在测试阶段所选功能的名称，如果给出的测试和featurenames。
作者（S）----------Author(s)----------
Askar Obulkasim
Maintainer: Askar Obulkasim <askar.wubulikasimu@vumc.nl>
参考文献----------References----------
参见----------See Also----------
Classifier.par
Classifier.par
举例----------Examples----------
data(CNS)
train <- CNS$mrna[, 1:40]
test <- CNS$mrna[, 41:60]
train.label <- CNS$class[1:40]
Pred <- Classifier(train = train, test = test, train.label = train.label,
type = "GLM_L1", CVtype = "k-fold", outerkfold = 2, innerkfold = 2)
Pred$P.train
Pred$P.test
转载请注明:出自 生物统计家园网(http://www.biostatistic.net)。
注：
注1：为了方便大家学习，本文档为生物统计家园网机器人LoveR翻译而成，仅供个人R语言学习参考使用，生物统计家园保留版权。
注2：由于是机器人自动翻译，难免有不准确之处，使用时仔细对照中、英文内容进行反复理解，可以帮助R语言的学习。
注3：如遇到不准确之处，请在本贴的后面进行回帖，我们会逐渐进行修订。
|
发表于 2012-2-26 15:12:52
