预测建模中的重抽样方法

面向医学生/医生的实用机器学习教程系列推文

随着临床预测模型的愈加火爆，越来越多的医生/医学生开始搞临床预测模型，但其实这个东西已经很老了，并不是什么新鲜的东西。

在我2018年左右刚开始学习生信数据挖掘的时候，临床预测模型就被广泛应用于各种生信SCI中，但它在临床中的使用，远比这个早得多！

不知道什么原因最近又火起来了！（也有可能一直都很火，只不过我最近没关注它......）

大家一定要明白，临床预测模型的本质就是机器学习，这其实是机器学习在生物医学领域的应用，不管怎么改头换面，都逃不出机器学习的各种方法。

通常大家在做临床预测模型或者机器学习时，首先就是要划分数据，比如训练集/测试集划分、内部验证/外部验证，这些都属于重抽样技术。

重抽样技术大家应该都不陌生，比如常用的K折交叉验证、bootstrap、训练集/测试集划分，等，都属于重抽样技术。

它的基本思想是：对于一个数据集，先用其中一部分训练模型，然后用剩余的数据评估模型表现，这一过程会重复进行多次，最后对结果进行归纳汇总。

使用重抽样技术有助于模型更好地“认识理解”数据，从而得到更加稳健的结果。这就好比让你看一本书，如果只看1次，可能什么也记不住，但是如果让你看10次，那效果肯定比只看1次要好。

因为重抽样过程是随机的，它每次都会随机地从整个数据中抽取一部分，给模型学习，所以每次每次抽取的数据都不一样（既然是随机的，那也有可能一样），这样就让模型有机会认识全部的数据，从而提高模型稳定性。

在临床预测模型领域大家经常听到内部验证、外部验证这种说法，其实很好理解。对于数据集A，我把它分成A1和A2两份，A1这部分数据用于训练模型，A2这部分数据用于评估模型表现，用来评估模型表现的这部分A2数据就是内部验证(也有人把交叉验证和自助法等这种叫做内部验证)；假如此时我找来另一份数据集B，在数据集B上再次评估模型表现，那数据集B就是外部验证。

重抽样的方法有很多种，除了大家常见的K折交叉验证、bootstrap，还有蒙特卡洛交叉验证、留一法交叉验证等。

如何选择合适的重抽样方法呢？这个一定要和你的数据结合讨论，没有金标准！如果你是一个精通机器学习的人，那你肯定不会有这样的问题，所以说到底，这都是机器学习中的问题，一个临床的医务工作者不懂这些很正常。我会在文末给出一些方法选择建议供大家参考。

留出法(holdout)

大家最常使用的，把数据集随机划分为训练集(train)/测试集(test)的做法就是holdout，其中训练集用于建模，测试集用于评估模型表现。

有时还会把数据划分为训练集(train)/测试集(test)/验证集(validation)，训练集用来训练模型，测试集查看模型表现，不断进行调整，然后训练集和测试集一起训练出一个模型，最后用验证集评估模型表现。

有时测试集和验证集经常混为一谈，二者经常混用。

交叉验证(cross validation)

交叉验证，意思就是一份数据既用作训练，也用作验证，互相交叉，主要有以下几种：

K折交叉验证(K fold cross validation)，就是把数据集随机分为K个样本量基本相同的子数据集。比如5折交叉验证，就是把数据集分为5个子集（比如分成A,B,C,D,E,5份），在建模时，首先会使用其中A,B,C,D,4份数据进行建模，然后用剩下的E数据评估模型表现，接下来使用A,B,C,E，4份数据建模，用剩下的D评估模型表现。这样依次进行5个循环，每份数据都会用来评估模型表现。最后将得到的5个模型表现结果进行汇总。

下面是一个10折交叉验证的示意图：

留一交叉验证(LOOCV, leave one out cross validation)，是K折交叉验证的特例。每次都只留1个样本用于评估模型表现，所以这里的K其实就等于样本量，每一个样本都会被用来评估模型表现。

重复交叉验证(repeated cross validation)，也是K折交叉验证的扩展版本，比如，重复10次的5折交叉验证，就是把5折交叉验证这个过程重复10遍。

蒙特卡洛交叉验证(Monte Carlo cross validation)，也是交叉验证的一个变种。留出法是将数据集划分1次，而蒙特卡洛交叉验证就是将留出法进行多次。

bootstrap

自助法，即有放回的随机抽样法。具体做法如下：

比如，一个数据集有100个样本，每次随机抽取1个，然后放回，再随机抽取1个，这样的过程重复100次，就得到了一个和原数据集样本量相等的抽样数据集，这个抽样数据集就叫做自助集。

由于每次都是有放回然后再随机抽取，所以一个自助集中可能有多个同一样本！所以就有可能在100次随机抽取中，有一些没被抽中过的样本，这些样本就被称为袋外样本(out of bag)，其中被抽中的样本(也就是自助集)用于训练模型，袋外样本用来评估模型表现。随机森林算法就是使用这种方法的！

其他方法

除了以上方法，其实还有非常多没有介绍，比如在mlr3中经常使用的嵌套重抽样，这些大家感兴趣可以自行了解。

重抽样的目的

经常有粉丝问我：为什么我用了各种方法，10折交叉验证、10折重复交叉验证、自助法，都用过了，为什么最后模型的表现还是很差？

看到类似的问题，我想这部分朋友可能把重抽样的目的搞错了，重抽样的目的不是为了提高模型表现，重抽样也确实不能提高模型表现！开头我已说过，重抽样技术是为了让模型更好的认识数据而已，这样能够得到更加稳健、无偏的结果，但是对于提高模型表现没有直接的影响哦~

你可以这么理解，如果你不重抽样，可能某次结果的AUC是0.8，再做一次可能就变成0.5了，而你重抽样10次，得到的结果是10次的平均，这样的结果很明显是更加稳健的。

模型表现好不好首先是数据原因，一个牛逼的数据不需要复杂的模型也能有很好的结果，数据预处理对数据影响很大，大家可以参考这篇推文：预测建模常用的数据预处理方法。

另外还和模型本身的性质有关，比如模型的超参数、模型本身的上限等，这些会在以后陆续介绍。

为什么要单独划分出一部分数据

通常我们建立模型时，会把数据集A划分为A1和A2两份，A1用来训练模型，A2用来测试模型，在训练模型的过程中，完全不用使用到A2这部分数据。有些人不理解，把这种方法和嵌套重抽样混为一谈。其实这两个有着本质的区别。

嵌套重抽样是在训练模型时使用的，把两份数据集全都用到了，而且两份数据集都会再叠加其他重抽样方法。

但我们划分数据的目的是什么呢？我们是为了测试最终的模型表现。临床问题数据很珍贵，通常都只有1份，这种情况下我把这份数据全都用于训练模型，那我用什么测试训练出来的模型好坏呢？

有的人喜欢把训练好的模型作用于用来训练模型的数据上，发现结果竟然很好，这样是不对的，这叫数据泄露，你的数据模型已经学习过了，这不是作弊吗？这样的模型结果能说明什么问题呢？

所以一开始把数据就划分为2份是一个很好的解决方法。如果你有很多个数据集，你完全可以在其中1个数据集中使用各种方法建模。

方法选择建议

以上就是一些常见的重抽样方法，可以看到每种方法都强调一个问题，那就是随机！，只有随机，才能保证模型学习到这个数据集中的更多信息，才能获得稳健的模型表现！

以下是一些方法选择建议：

1. 没有哪一种方法好，哪一种方法不好！！只有合不合适，没有好不好！
2. 如果样本量较小，建议选择重复10折交叉验证；
3. 如果样本量足够大，比如几万，几十万这种，随便选，都可以；
4. 如果目的不是得到最好的模型表现，而是为了在不同模型间进行选择，建议使用bootstrap；
5. 如果还不知道怎么选，建议都试一试，喜欢哪个选哪个

参考资料

1. Applied Predictive Modeling
2. https://www.cnblogs.com/HuZihu/

面向医学生/医生的实用机器学习教程，往期系列推文：

1. mlr3：开篇
2. mlr3：基础使用
3. mlr3：模型评价
4. mlr3：模型比较
5. mlr3：超参数调优
6. mlr3：嵌套重抽样
7. mlr3：特征选择
8. mlr3:pipelines
9. mlr3：技术细节
10. mlr3：模型解释
11. mlr3实战：决策树和xgboost预测房价
12. 使用mlr3搞定二分类资料的多个模型评价和比较
13. mlr3的校准曲线也是一样画！
14. 使用mlr3搞定二分类资料的多个模型评价和比较
15. 使用tidymodels搞定二分类资料多个模型评价和比较
16. tidymodels不能画校准曲线？
17. tidymodels用于机器学习的一些使用细节
18. tidymodels支持校准曲线了