大型基因数据集上的 Logistic Lasso，特别是通过 R 中的 Knockoff 包

Question

这个问题可能处于 CrossValidated 和 StackOverflow 之间的恐怖谷中，因为我试图在正确执行 R 包的情况下理解 R 包中函数的方法。

数据为基因表达量；有数千个变量。结果是一个二元变量。

我已经设法从

glmnet

获得了一个后勤套索，但我被要求使用

knockoff

包再次这样做：https://cran.r-project.org/web/packages/knockoff/index .html

问题是，如果我正确理解了这些小插图，那么包中的选择是（a）假设响应变量是正态变量（不是真的哈哈）或（b）预先指定分布、mu 和 sigma预测因子。也许这是我缺乏经验的表现，但我不相信这个数据集可以用于这些事情。不过，那些神秘地指派我执行此任务的人坚称该软件包适用于后勤套索。

我错过了什么吗？如何使用

knockoff

对海量数据集进行逻辑套索？

Answer 1

我发现这很难解决，但我认为下面的代码应该与逻辑套索模型一起使用。我在

stat.lasso_coefdiff

包中找到了

knockoff

函数，我认为它在内部构建了一个逻辑套索模型，然后通过比较原始预测器和仿冒预测器的系数来计算仿冒统计数据。

library(knockoff)
library(glmnet)
library(mlbench)
data("PimaIndiansDiabetes2", package = "mlbench")
df <- na.omit(PimaIndiansDiabetes2)

# Prepare the example data
X <- as.matrix(df[, -ncol(df)])
y <- ifelse(df$diabetes == "pos", 1, 0)

# Create knockoffs
Xknockoffs <- knockoff::create.fixed(X)
colnames(Xknockoffs$Xk) <- paste0(colnames(X), "_knockoff")

# Add knockoffs to original predictors
X_full <- cbind(X, Xknockoffs$Xk)

# Select variables
selected_vars <- knockoff::knockoff.filter(X_full, y, fdr=0.5, statistic=knockoff::stat.lasso_coefdiff)

使用我的示例数据，我只能通过使错误发现率 (

fdr

) 相当高来实际选择一些变量。我不确定合适的值是什么。这可能取决于您的数据，所以我建议先尝试使用较低的值，也许是 0.1。

希望有帮助