尔云间生信代码|9+SCI纯生信，模型构建中的“流量明星”，你不得不知的LASSO

小云编发现近年来，LASSO应用程度较广。已有大量研究将LASSO算法应用于生信文章，有高到20分的SCI。今天，小云给大家分享这篇影响因子 > 9分简单纯生信文章的代码。 

科研有捷径，输入代码，一键获取科研成果！就是这么省事，来具体看下有多方便！

搜索http://985.so/a9kb查看全部代码（目前共计50+持续新增中），也可以点击右侧【目录】，可以看到更多有趣的代码；真香提示：文末可以知道如何获取代码~

LASSO回归的特色：一是对数据的要求是极其低的，无论是一维连续因变量、多维连续因变量、非负次数因变量、二元离散因变量、多元离散因变，此外，无论因变量是连续的还是离散的，LASSO都能对其处理。二是LASSO能够对变量进行筛选和对模型的复杂程度进行降低。而变量筛选是指把所有的变量都放入模型中进行拟合，而是有选择的把变量放入模型从而得到更好的性能参数。 复杂度调整是指通过一系列参数控制模型的复杂度，从而避免过度拟合。

LASSO的复杂程度由λ来控制，λ越大对变量较多的线性模型的惩罚力度就越大，从而最终获得一个变量较少的模型。我们可以通过尝试若干次不同值下的λ，来选取最优λ下的参数。

小编发现近年来，LASSO应用程度较广。已有大量研究将LASSO算法应用于生信文章，有高到20分的SCI。如下图。这篇影响因子 > 9分简单纯生信文章。

但是具体要如何实现？？？ 今天，小云以代码提供的数据为例进行说明。

代码具体包括：

Step1输入数据并构建LASSO

Step2 CV交叉验证

Step3最佳组合的筛选与绘图 

下面是代码中附带数据逐步分析结果

神奇吧，就是如此简单，我们用的都是入门级函数，稍微懂点R语言就能实现。

.这是小云做的LASSO回归模型构建，也可以按照粉丝的要求复现哦，扫码找我。

如需代码及示例数据等文件，请扫码聊天框回复 “B28”领取！