统计学习心法：万物皆可回归，有时可以分类

体会到这个道理，就像听到了绝美的音乐，来自脑海中的天籁之音，恍然大悟之感。最近学习机器学习，对学习数据分析有一些体会，写出来分享一下。

在一个更大的框架下学习，就像是提升了一个维度，好比你之前在二维世界中，只有前后左右，你不断的探索，不断的画平面圈，有充分的经验去描述脸大脸小，还是无法理解高鼻梁是什么意思！

《三体》小说中，三体人制造了水滴这个高科技武器，打败了人类的舰队，但是人类打败水滴，是因为进入了一段四维空间，四维空间可以看到水滴的内部，可以进入操作水滴的内部，就把水滴破坏了。

所以，学习一个大的框架，直接决定了视野的宽广与否。如果一直沉浸于方差分析和回归分析中不可自拔，就有一种仰之弥高，钻之弥坚的绝望，其实，不妨换一个框架去理解和学习。你会发现，方差分析和回归分析都属于监督学习中的回归问题，而感病与否属于监督学习中的分类问题，PCA分析和聚类分析属于非监督学习。这样，理解和学习起来就会方便很多。

第一层次，入门：朦朦胧胧

记得本科学《生物统计》，方差分析部分令人百思不得其解，拿着计算器用着各种简化的公式，算来算去，然后去查表，觉得生物统计完全是体力活。后来工作中，系统学习了生物统计，看了很多统计类的教科书，无非就是：描述性统计、概率分布、参数估计、假设检验、T检验、方差分析、回归分析、多元分析。

这些东西，除了方差分析和回归分析以及多元分析能用一点，其它都觉得无法实际应用，毕竟现实的数据没有那么完美，想要提高也是一头雾水。

第二层次，应用：醉里看花

随着分析项目的增加，觉得一般线性模型+混合线性模型+广义线性模型+多元分析，这个框架很好很给力。

• 一般线性模型，有一定的前提假定，像方差分析，回归分析，都是它的领域
• 混合线性模型，工作中最主要的模型，像BLUP育种值，GWAS分析，GS，都是它的领域
• 广义线性模型，主要是针对于非正态的数据，比如二项数据、分级数据，它可以指定连接函数和分布函数，也经常应用
• 多元分析，像PCA分析，因子分析，聚类分析，都是它的范围

如果再加上纵向数据分析（重复测量、时间序列）、生存分析、Mega分析，就已经是我认知的全部了。

第三层次，进阶：万物皆可回归

最开始，我以为方差分析和回归分析完全是两回事，因为方差分析是对因子处理的，而回归分析是对数值处理的。

• 比如三种药剂A,B,C，看一下对血压的控制情况，这就是一个方差分析。不同的药剂是因子变量。
• 比如身高和体重的关系，这就是一个回归分析。不同的身高是数值变量。

但是在GWAS中，两者都称为协变量，一种是数字协变量，一种是因子协变量。plink软件汇总，协变量都要变为数字协变量，如果有因子协变量需要用--dummy-coding去转化。而GCTA中有--qcovar支持数字协变量，有--covar支持因子协变量。

其实在分析时，软件都会将其变为数字协变量，之前的因子协变量会变为dummy变量（哑变量），哑变量就是数字协变量了。比如：

构建一个数据：

set.seed(123)
dat = data.frame(Treat = rep(c("A","B","C"),each=10), 
           y = c(rnorm(10), rnorm(10)+5, rnorm(10)+10))
str(dat)
dat$Treat = as.factor(dat$Treat)
str(dat)

使用因子的Treat，进行回归分析：

mod1 = lm(y ~ Treat, data=dat)
summary(mod1)

将其变为哑变量：

dd = model.matrix(~ Treat, data=dat) %>% as.data.frame()
dd1 = cbind(dd,y = dat$y)
dd1

对其进行回归分析，这里不考虑截距了，因为哑变量里面已经有截距了。

mod2 = lm(y ~ .-1, data=dd1)
summary(mod2)

可以看到，在R语言进行回归分析时，会将因子变量变为哑变量的数字变量，然后进行回归分析。

所以方差分析只是回归分析的一种特例，「在回归分析眼中，方差分析都是回归分析，万物皆可回归。」

第四层次，机器学习：监督和非监督

「推荐的大框架：按照此框架进行学习，更能高屋建瓴！」

==整理数据集==

如果对于一个人ID1，搜集了他的很多性状，比如身高、体重、性别、血压、血糖、患病与否，还有50万个SNP的分型。这些性状都是描述ID1的性状，也称为条目或者标签，也称为属性或者特征，也称为性状或者观测值。如果用机器学习的术语，就叫做标签或者特征。

因为因子协变量，都可以变为数字哑变量，所以，除了ID列，其它因子和性状，都可以变为数字的类型，都可以变为属性。

==监督学习==

所谓监督的学习，就是你的数据集中，包括我们需要预测的属性（比如患病与否），包括我们使用建模的属性（比如血压、50万SNP的分型）。

它又可以两种：

• 分类，所谓分类就是预测的属性（y变量）是属于两个（比如患病与否）或者多个类别（比如好、中、差），这类问题成为分类问题。
• 回归，y变量是连续的变量，这类问题又称为回归问题。

==非监督学习==

非监督学习，也叫无监督学习，它包括很多x变量的集合，但是没有明确的目标变量（y变量），这类问题的目的是挖掘数据中的相似样本的分组（比如聚类分析），或者是确定输入样本空间中的数据分布（比如密度估计），还可以将数据从高维空间投射到二维或者三维空间。我们经常使用的PCA分析，聚类分析等等。

应用流程

1. 数据接入

数据读取或者导入，需要将数据数字化，将SNP分型变为0-1-2的编码，将性别变为1-2的编码，将固定因子变为哑变量的编码，最后的数据格式都是数字列。

2. 数据集分割

我们建模时，需要参考群和验证群，用于评价模型的好坏，可以对数据进行分割。

3. 特征选择

有时候，我们面对的是很多属性（变量）的数据，为了降低模型学习的难度，提升训练效率，会对变量进行特征工程操作，一般分为：特征选择和特征抽取，两者都是降维的方法。

• 特征选择：特征选择后的特征，是原来特征的一个子集。本身没有变化，比如对基因型数据进行maf、geno的质控，去掉一些位点。
• 特征抽取：特征抽取后的新特征是原来特征的一个映射。本身已经变化了，比如PCA分析，得到的是PC1，PC2，这些不是原来特征的子集。

常用的特征选择的方法有：

• 方差阈值特征选择，该方法是删除方差达不到阈值的特征，默认情况下，删除所有方差是0的特征，比如maf=0时，位点在所有的样本中都没有多态，不删除留着过年吗？
• 单变量的特征选择，根据属性的统计指标，对属性进行排序，进行选留。比如maf是一个指标，P值是一个指标等
• 循环特征选择，将多个属性放在一起进行检验，比如在一定的窗口内进行LD筛选
• 针对线性模型的特征选择
• 基于决策树的特征选择

4. 模型调用

这里，就可以选择模型了，是用广义线性模型（线性回归、逻辑回归、岭回归等），还是用支持向量机（SVM），决策树，随机森林等。然后是调参。交叉验证，选择最优模型。

5. 模型部署及应用

选择最优模型之后，就可以写成pipeline了。

大家好，我是邓飞，一个持续分享的农业数据分析师