Oh my god，机器学习原来可以这么简单

大家好，我是风间琉璃，今天给大家分享一些关于机器学习的理论知识。

我想大家对机器学习这个词肯定不陌生，特别是最近这段时间，好像特别热。在生信领域和临床研究都有很多高分的文章不断涌出，那我就给大家简单的介绍一下机器学习的内容。

一

机器学习的作用，机器学习用来干什么呢？

小伙伴们肯定觉得，机器学习的应用领域特别广，比如图像识别、无监督学习啊什么等等。其实机器学习主要应用包含两大类：1.classification——分类；2.prediction——预测。

即根据我们选定的变量（variables）对结局变量进行分类或者预测，前者得出来的结果就是P值，后者得出来的就是value。举一个简单的例子，这个套路其实经常看到哈。比如我现在想研究胃癌，但是胃癌好像很多东西都研究到了，多组学啊、免疫浸润啊等等，但是我从classification的角度能不能有一个好的idea呢？其实是可以的，比如我们首先从GEO下载胃癌数据，对有无胃癌做基因的差异分析，然后结合免疫浸润或者甲基化等等进一步筛选出一部分基因，然后进行功能聚类，并且也可以再做做WGCNA，再筛选出hub基因。

接下来这部分基因呢？

我们可以用比较简单也比较常见的机器学习分类方法的K-means或者PAM，对GEO的胃癌样本进行亚组分型，根据分类结果将胃癌患者进行高危和低危的分类，然后我们对比两组之间的预后，使用KM或者COX看看是否存在明显相关对吧。这时候我们再去TCGA数据库进行验证对吧。这样一篇文章的大概思路差不多就完成了。

结合最近酸菜大大提出的挑圈联靠这个理论，这样个思路可以分为：

挑：找出差异基因，联合甲基化或者免疫浸润。

圈：功能聚类GO/KEGG，WGCNA。

联：不好意思啊，这个例子没有涉及哈哈哈，不过也可以加上。

靠：GEO的KM曲线、Cox分析，TCGA的再验证。

那么机器学习起什么作用呢？

在这个例子中将胃癌组进一步分亚型，从另外一个新的角度挖掘TCGA和GEO的预后数据宝库是不是很妙啊。这也是机器学习的classification的体现。

二

介绍完机器学习的主要应用后，我们要知道机器学习的本质是什么？

其实就是构建模型，就行一个魔术箱。我们先所选定的变量——放到箱子里（建模）——得到结果。我们现在有了变量，那么核心是不是就是建模啊。

这里我就要岔开再讲一讲为什么机器学习很热了，因为机器学习和logistic、线性回归相比，本身的优越性在于对于非线性关系进行建模。我们知道无论是logistic和回归分析其实本质都是线性相关，计算的也就是OLS最小，所以具有明确的局限。

但是机器学习能够对非线性关系进行拟合。在临床上非线性关系很常见，所以才会有这么对paradox，比如肥胖悖论，胖的人心血管风险高，太瘦了好像研究表明也不好。所以对于logistic回归或者Cox回归来说无法解决这个问题，而机器学习则可以解决这个问题。

好，回到第二点，我们建模的方式有哪些呢？其实建模的方式就是我们经常听到的方法，比如randomforest（随机森林）、supportvector machine（支持向量机）、neuralnetwork、XGboosting还有我们上面提到的K-means、PAM等等。

三

建模的目的是什么呢？

我们构建模型之后，是不是看到很多文章都要分trainingdata和validatedata，为什么呢？其实目的就在于要调整模型的稳定性，我们构建模型是拿来用的，对于构建的模型要权衡它在不同数据集中是否都适用，那么就需要validationdata(验证集)进行验证，这里涉及一个概念叫做variance-bias tradeoff，因为这个解释起来很多内容，有兴趣的小伙伴可以自在网上查一查。

那么现在我们知道机器学习的大概内容，还有一点我要提醒看完上面内容特别兴奋的小伙伴。机器学习说白了就是统计，对于统计方法，最大的局限就在于，统计不能解释逻辑上的因果性，机器学习只能证明变量之间的相关性，最多证明统计学上的因果性。所以在逻辑层面上，机器学习，天生就比实验低一头。

所以我们学习机器学习，一定要记住不要依靠这个技术来发文章而是要靠思路、idea来发文章，机器学习就是解决问题的手段。但是呢，举一个例子，机器学习就像是女孩子的化妆对吧，有一句是“世界上没有丑女人，只有懒女人。”所以，有机器学习肯定比没有好，而且能为你的文章增色不少！