- 综合排序
- 最热优先
- 最新优先
- 来自专栏生信小驿站
gbm算法
gbm简介 gbm是通用梯度回归模型（Generalized Boosted Regression Models）简称。 gbm扩展了Freund and Schapire的Adaboost算法和Friedman的梯度提升机（gradient boosting machine）。 [图片上传失败... (image-32b7ea-1540222324149)] gbm包 实际上，梯度提升算法并不特指某个特定模型，而是一种机器学习思想，被人们运用到许多传统的模型中而形成了一类强大的机器学习方法。 gbm包中最主要的函数为gbm/gbm.fit。函数提供了很多参数以进行模型调优。 （1）distribution：模型计算损失函数时，需要对输出变量的数据分布做出假设。 GBM有以下特点： 可以和随机森林这样的高性能算法竞争。 能保持可靠的预测表现，并且能避免无意义的预测。 能明确地处理缺失数据。 无需进行特征缩放。 能处理的因子水平比随机森林更高。
5.8K00发布于 2018-11-12 - 来自专栏YoungGy
R语言包_gbm
gbm效果和randomForest相近，但是占用内存更少，且支持多核crossValidation运算。 names(getModelInfo()) titanicDF$Survived <- ifelse(titanicDF$Survived==1,'yes','nope') # pick model gbm and find out what type of model it is getModelInfo()$gbm$type # split data into training and testing ######################## # glm model ################################################ # pick model gbm ########## # advanced stuff ################################################ # boosted tree model (gbm
1.9K20发布于 2019-05-26 - 来自专栏量化投资与机器学习
梯度提升（GBM）预测订单薄价格变动（代码+数据）
通过梯度提升和微调（Fine-Tuning）建模 我们的目标是证明训练一个GBM是对真实目标y和近似值之间的某个损失函数进行梯度下降最小化： ? 这意味着添加弱模型： ? 对于我们的GBM加性模型： ? 在某种程度上是梯度下降。让近似值越来越接近真实y是有意义的，这就是梯度下降。例如，每一步的残差都变小。我们必须最小化与真实目标和近似距离相关的函数。
2.5K32发布于 2019-07-10 - 来自专栏生信菜鸟团
【生信文献200篇】08 scRNA-GBM-HNSCC-melanoma
其2014的science关于GBM的单细胞转录组文章： DOI: 10.1126/science.1254257 标题是：《Single-cell RNA-seq highlights intratumoral
1.5K20发布于 2021-02-03 - 来自专栏数据结构和算法
探索Python中的基础算法：梯度提升机（GBM）
在机器学习领域中，梯度提升机（Gradient Boosting Machine，GBM）是一种强大的集成学习算法，常用于解决回归和分类问题。 本文将详细介绍GBM的原理、实现步骤以及如何使用Python进行编程实践。 什么是梯度提升机？ 梯度提升机是一种集成学习方法，它通过将多个弱学习器组合起来构建一个强大的模型。 在GBM中，每个弱学习器都是基于决策树的，它们是通过梯度下降的方法来逐步构建的。 X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42) # 构建梯度提升机回归模型 gbm_model (X_train, y_train) # 预测 y_pred = gbm_model.predict(X_test) # 计算均方误差 mse = mean_squared_error(y_test
97111编辑于 2024-03-21 - 来自专栏量化投资与机器学习
【原创精品】使用R语言gbm包实现梯度提升算法
gbm包中最主要的函数为gbm/gbm.fit。函数提供了很多参数以进行模型调优。 （1）distribution：模型计算损失函数时，需要对输出变量的数据分布做出假设。 此外，gbm包还为一些具体问题提供了不少其他选择。 （2）shrinkage：学习速率，即每一步迭代中向梯度下降方向前进的速率。一般来说学习速率越小，模型表现越好。 迭代次数的选择与学习速率密切相关，下图展示了模型表现、学习速率和迭代次数之间的关系： 迭代次数可以设得稍微大一点，因为模型训练完后，gbm中的gbm.perf可以估计出最佳迭代次数以供预测阶段使用。 在模型训练阶段，gbm作者的经验法则是：3000-10000之间的迭代次数搭配0.01-0.001之间的学习速率。 因此gbm也是一种很有用的变量筛选方法，当自变量个数较多带来信息噪声时，bgm将会给噪声变量赋予接近于0的相对重要性。
5.6K71发布于 2018-01-29 - 来自专栏机器学习AI算法工程
【R语言】用gbm包来提升决策树能力
在 R语言中gbm包 就是用来实现一般提升方法的扩展包。根据基学习器、损失函数和优化方法的不同，提升方法也有各种不同的形式。 gbm作者的经验法则是设置shrinkage参数在0.01-0.001之间，而n.trees参数在3000-10000之间。 下面我们用mlbench包中的数据集来看一下gbm包的使用。 $diabetes <- as.numeric(data$diabetes)data <- transform(data,diabetes=diabetes-1)# 使用gbm函数建模model <- gbm(diabetes~. # 变量的边际效应plot.gbm(model,1,best.iter) ?
4.3K41发布于 2018-03-13 - 来自专栏生信技能收藏
GEO数据挖掘-第一期-胶质母细胞瘤（GBM）
astrocytomas） · Grade I · Grade II：弥漫性星形细胞瘤 · Grade III：anaplastic astrocytoma · Grade IV：胶质母细胞瘤（glioblastoma，GBM 作者研究的是GBM样本和非肿瘤样本在lncRNA表达上的差异，所以先取出这180个样本中的77个GBM样本和23个非肿瘤样本 options( stringsAsFactors = F ) load( group_list )] o_expr = exprSet[ , grep( "oligodendroglioma", group_list )] } ## 样本分组，新的表达矩阵只有normal和gbm = cbind( n_expr, g_expr ) group_list = c(rep( 'normal', ncol( n_expr ) ), rep( 'gbm group_list ) ) rownames( design ) = colnames( exprSet ) } design contrast.matrix <- makeContrasts( "gbm-normal
1.7K01发布于 2019-08-31 - 来自专栏生信技能树
GEO数据挖掘-第一期-胶质母细胞瘤（GBM）
astrocytomas） · Grade I · Grade II：弥漫性星形细胞瘤 · Grade III：anaplastic astrocytoma · Grade IV：胶质母细胞瘤（glioblastoma，GBM 作者研究的是GBM样本和非肿瘤样本在lncRNA表达上的差异，所以先取出这180个样本中的77个GBM样本和23个非肿瘤样本 options( stringsAsFactors = F ) load( group_list )] o_expr = exprSet[ , grep( "oligodendroglioma", group_list )] } ## 样本分组，新的表达矩阵只有normal和gbm = cbind( n_expr, g_expr ) group_list = c(rep( 'normal', ncol( n_expr ) ), rep( 'gbm group_list ) ) rownames( design ) = colnames( exprSet ) } design contrast.matrix <- makeContrasts( "gbm-normal
2.4K60发布于 2018-10-25 - 来自专栏生信技能树
TCGA中GBM的RNA-seq和甲基化数据整合分析实践
找出胶质细胞瘤特异性甲基化区域，为临床诊断提供理论依据 步骤： 1、查找数据：下载TCGA中GBM的RNA-seq和甲基化数据 2、甲基化数据分析，正常肿瘤对比，进行差异甲基化分析，找出肿瘤样本中高甲基化区域 5、对找出的靶标进行验证，利用pubmed以及其他数据库，反向验证靶标的 可靠性 一、数据下载 首先进入TCGA下载数据GBM的RNA-seq和甲基化数据，从下表可见GBM共有172套RNA-seq 图表 1TCGA数据汇总 二、初步整理数据 使用TCGA-Assembler.2.0.5进行GBM数据批量下载与初步整理，并且绘制RNA-seq 基因表达量盒型 图 以及甲基化芯片数据盒型图 ，由于数据量较大 family kinase 1，还是个激酶，激酶的话就对调控会有很大作用了，而在HPA RNA-seq normal tissues项目中，又看出来这个激酶在脑中表达量明显高于其他组织，这又与发生在脑部的GBM biological process生物学过程中的“神经系统发育”、“化学性突触传递”和“细胞膜的组织”等部分里面有着富集，特别是“中枢神经系统的髓鞘形成”，富集程度达到26.95倍，这又与研究的多发生于脑补的GBM
4.7K40发布于 2018-07-27 - 来自专栏拓端tecdat
样条曲线、决策树、Adaboost、梯度提升(GBM)算法进行回归、分类和动态可视化
R函数：梯度提升(_GBM_)算法 也可以使用R函数。 gbm(y~ . 图6 ---- 本文摘选《R语言样条曲线、决策树、Adaboost、梯度提升(GBM)算法进行回归、分类和动态可视化》
80960编辑于 2022-03-05 - 来自专栏机器之心
入门 | 从结构到性能，一文概述XGBoost、Light GBM和CatBoost的同与不同
本文从算法结构差异、每个算法的分类变量时的处理、算法在数据集上的实现等多个方面对 3 种代表性的 boosting 算法 CatBoost、Light GBM 和 XGBoost 进行了对比；虽然本文结论依据于特定的数据集 最早作为研究项目，由陈天奇提出 2017 年 1 月，微软发布首个稳定版 LightGBM 2017 年 4 月，俄罗斯顶尖技术公司 Yandex 开源 CatBoost 由于 XGBoost（通常被称为 GBM n_jobs=-1 , verbose=1,learning_rate=0.16) model.fit(train,y_train) auc(model, train, test) Light GBM 原文地址：https://towardsdatascience.com/catboost-vs-light-gbm-vs-xgboost-5f93620723db 本文为机器之心编译，转载请联系本公众号获得授权
2.7K52发布于 2018-05-09 - 来自专栏纳米药物前沿
近红外荧光纳米平台用于胶质母细胞瘤术中靶向切除和化疗靶向递送
尽管在改善多形性胶质母细胞瘤(GBM)治疗方面做出了许多努力，但GBM仍然是最致命的癌症之一。有效的基底膜治疗需要灵敏的术中肿瘤显示和有效的术后化疗。 此外，HMC-FMX可以包裹化疗药物，如紫杉醇或顺铂，并将这些药物输送到GBM肿瘤中，从而缩小肿瘤体积并提高小鼠存活率。 HMC-FMX可以在原位GBM小鼠模型上用近红外荧光标记GBM肿瘤。 HMC-FMX用明亮的NIRF信号标记原发性和浸润性GBM肿瘤，通过识别可以逃避外科医生观察的浸润性肿瘤组织来促进GBM切除。 此外，HMC-FMX能够标记来自患者细胞系的迁移性GBM肿瘤干细胞，可以跨过血脑屏障并在GBM细胞内蓄积，从而将化疗药物递送到GBM肿瘤中。 与其他治疗GBM的影像学和给药方法相比，HMC-FMX可以同时改善切除过程中浸润性GBM肿瘤的可视化，并将临床上无法穿过血脑屏障的药物递送到残留的GBM细胞。
40710发布于 2021-02-04 - 来自专栏单细胞天地
单细胞RNA测序揭示了胶质母细胞瘤进展过程中免疫景观的演化
总的来说，该研究展示了免疫细胞在GBM发展过程中的演变景观，特莫唑胺对GBM的免疫细胞组成有显著影响，这为GBM的治疗策略提供了重要的线索。 主要内容 图1 scRNA-seq 鉴定了GBM中的CD45–和CD45+细胞群。 (a) 代表性的GBM发展随时间的MRI，附带BLI输出。 (i、j) GBM BBB完整性评估。GBM脑部EB和NaF给药后的代表性光镜照片和定量（i）。数据以生物独立重复的均值±标准误呈现。 图7 TMZ和放射改变GBM免疫微环境并延长生存。 (a) 对照组非GBM携带小鼠和早期GBM小鼠的BM和脾脏的流式细胞筛选，指示的细胞类型和祖细胞。 低级别和GBM分别为5和8。 小结 总之，该研究提供了一个全面且无偏见的视角，展示了免疫细胞在GBM发展过程中的演变景观，这对于未来GBM的治疗干预具有重要的参考价值，为未来的治疗策略提供了新的思路。
71510编辑于 2024-03-22 - 来自专栏生信技能树
转录组讲师带你读文献(3)-CYP46A1是GBM中的一个候选抑癌基因
RNA-seq显示，用24OHC处理GBM细胞可以通过调节LXR和SREBP信号通路抑制肿瘤生长。能穿透血脑屏障的CYP46A1激活剂依非韦伦（Efavirenz）抑制体内GBM的生长。 IVY GBM RNA-seq data数据支持：与其他肿瘤区域相比，CYP46A1在肿瘤leading edge (主要由正常脑细胞组成)高表达 蛋白水平：在GBM中低表达。 3.4 CYP46A1的表达可抑制GBM的生长 接下来，我们研究了CYP46A1在体外GBM生长中的作用。通过各种实验数据证明CYP46A1过表达抑制肿瘤生长。 因此，我们对人GBM 24OHC的代谢变化进行了表征。经过一系列的数据实验分析证明，总之，这些数据表明24OHC特异性地抑制GBM的生长。 3.7 24OHC通过调控LXR和SREBP1的活性抑制GBM的生长 为了确定24OHC抑制GBM生长的机制，我们对24OHC处理或不处理的gbm# P3细胞进行了RNA测序(RNA-seq) (heatmap
1K30发布于 2021-05-27 - 来自专栏EpiHub
【Lesson1】R 机器学习流程及案例实现
因为diabetes是二分类变量，我们采用gbm算法，然后用AUC来评估训练模型的优越性。 ) model_gbm = train(diabetes ~ ., data = train, method = "gbm , metric = "ROC") 接下来，我们看下model_gbm，这里面储存了我们所要的信息。 gbm最合适参数 image.png 3. ) plot(varImp(model_gbm)) image.png 4.
1.4K30编辑于 2022-11-03 - 来自专栏生信小驿站
R 梯度提升算法①
用gbm包实现随机梯度提升算法 自适应提升方法AdaBoost 它是一种传统而重要的Boost算法，在学习时为每一个样本赋上一个权重，初始时各样本权重一样。 在gbm包中，采用的是决策树作为基学习器，重要的参数设置如下： 损失函数的形式(distribution) 迭代次数(n.trees) 学习速率(shrinkage) 再抽样比率(bag.fraction gbm作者的经验法则是设置shrinkage参数在0.01-0.001之间，而n.trees参数在3000-10000之间。 setwd("E:\\Rwork") if(! suppressWarnings(require('gbm'))) { install.packages('gbm') require('gbm') } # 加载包和数据 library(gbm 函数建模 model <- gbm(diabetes~.
73230发布于 2018-08-27 - 来自专栏科研菌
4+分的Aging现在得补这么多湿实验了！
作者使用CGGA和TCGA的数据，分析GBM中白细胞迁移相关基因的表达，发现LSP1不仅表达升高，而且还作为GBM的独立预测因子，在临床肿瘤样本中进一步验证了该结果。 2G：免疫荧光共定位：GBM样品中有少量细胞与LSP1和神经胶质纤维酸性蛋白（GFAP）共同染色，这提示GBM中肿瘤细胞相关的LSP1表达。 2F：KM生存分析曲线，评估LSP1表达与GBM患者预后的相关性。发现，较高的LSP1表达与GBM患者的较短生存期有关。 ? 结果证实了LSP1在GBM中区分间充质亚型的潜力。 3. LSP1可作为预测GBM的放射治疗和化学治疗反应的分子。 结果表明，LSP1主要与GBM中的非肿瘤细胞群体有关。基于此观察，作者研究了THP1诱导的M0巨噬细胞中LSP1对GBM迁移能力的影响。
96540发布于 2020-08-07 - 来自专栏机器之心
速度提升、准确率更胜一筹，周志华等人提出可微XGBoost算法sGBM
选自arXiv 作者：Ji Feng、Yi-Xuan Xu、Yuan Jiang、Zhi-Hua Zhou 机器之心编译 参与：Panda 梯度提升机（GBM）的重要性无需多言，但传统的 GBM 仍存在一些固有缺点 这一次，他们研究的不是如何构建一个能像可微分程序一样工作的 GBM，而是探索了如何构建能像不可微分的 GBM 一样工作的可微分系统。 这种「软」版本的 GBM 是将多个可微分的基学习器连接在一起，受 GBM 启发，同时引入了局部损失与全局损失，使其整体结构可以得到联合优化。 先从 GBM 讲起 在详细介绍新提出的方法之前，先来看看梯度提升机（GBM）的工作方式。具体来说，对于给定的数据集 ? GBM 的训练过程是基于训练数据学习参数 ? 。GBM 首先假设 ? ，然后就能按顺序决定 ? 和 β_m。首先，给定 y^i 和 GBM 前一轮获得的预测结果， ?
93040发布于 2020-06-20 - 来自专栏Sentieon：文献解读
文献解读-Thiabendazole Inhibits Glioblastoma Cell Proliferation and Invasion Targeti
GBM治疗面临三大关键挑战：肿瘤细胞的高度浸润性、血脑屏障的选择性通透以及肿瘤的分子异质性，这促使研究者不断探索新的治疗策略。 文献讨论 TBZ通过下调MCM2基因的表达，抑制了GBM细胞的增殖和侵袭能力。研究结果表明，MCM2是TBZ的一个关键靶点，具有作为GBM治疗靶点的潜力。 TBZ在体内外的实验结果均显示其对GBM细胞具有显著的抑制作用，支持其作为GBM治疗药物的再利用。 总结 研究通过实验证实了TBZ对GBM细胞的抑制作用，并揭示了其潜在的分子机制，为GBM的治疗提供了新的思路。 TBZ作为一种已知安全的药物，其再利用有望加速临床试验的进程，为GBM患者提供新的治疗选择。
21520编辑于 2025-02-19
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号