大家好！今天想跟大家继续来录制129集学习的第六期，这第六期我今天带来的还是预后的依靠代码，跟上回的cosboster不一样的地方。咱们这回带来的是step boost。step cox叫做分布 cox 回归，首先我们来讲一下区别。
·分布 cox 回归是可以通过每次加入一个变量，然后按顺序一个一个加入变量的过程之后来得出，模拟出公式的最有解，因为对预后最有效果的一套多变量的一个公式。那么它跟这种多变量cos 回归一个很好的方法它是一步一步的，每次加入一个变量一个变量的。
·这种回归方式和这种多因素cos 回归是一种完全不同的方式，并且它能模拟出哪一次cos哪一次加入的变量是得出来的，这种适应后最有价值的就是和预后最相关的而多因素。cos 回归只能告诉你哪几个变量和预后相关，并且排除或杂因素，所以这个是step cox回归的一个优势所在。我也希望大家后期后面去分析临床数据或者分析基因数据语音表达矩阵能够用到这种积极学习的一种算法，会是我们的让更加的天才。
·上期讲的cox bost回归和它又不一样，cox bost回归是更高级的这种cox，我认为的step cox就完美的解决了选择什么变成加入公式，最后组建出依靠公式的方式。它认为是一种互补的东西，大家后面也可以慢慢去理解这个方法到底为什么是一种互补而不是更优？我不认为是更优。
·后面讲完代码之后我也会给大家讲一讲为什么我觉得它不是一种勾引？而是仅仅只是互补。
·首先我们先来看一下数据，数据第一个要一般我就做标答举证了，进标答举证，如果大家有临床数据可以做临床数据，这个看你自己。行就是样列，我们用的是基于或者说每一个临床特征都是可以的。
·第二个就是预后数据行也是样本，并且这里有一个特点就是样本是一一对应的，这里的样本是一一对应的，大家调数据的时候也最好调成一一对应。
·然后第一列就是state，后代表示了。第二列就是time，就是ros。这里就用time来表示。然后我们再来看代码，代码其实很简单就这几行。
·首先环境什么的不说了，直接把数据攒起来，把数据攒起来一个是安全证，一个就是预后数据，我们就不说这两个都很简单。之后把a的预后的练习app调一下顺序，大家如果是没调顺序的可以通过这行太晚调一下顺序。
·之后把他们c办了一下，这是合并成一个矩阵，一般习惯把这个off下沉去前面。在这个stateos中，包含了各种特征，包括民族特征和基因特征等。第六行代码是off c的一个缺点，但我在这里已经解释得很清楚了。如果数据量很大，这种分布回归就会出错，结果也会不准确。因此，如果临床数据很多，或者基因表达谱数据很多，最好不要使用3000个基因，包括我这里面的1998个基因，因为跑不出来。如果数据有30个或20个，可以尝试使用前八个基因进行回归，也可以选择八个基因进行回归。这样可以避免off c的缺点。
·接下来加载包，这里的b bing比较复杂，需要耗费更多的时间。使用step回归，其实很简单，就是一个cox回归的代码。大家可以看到，这个代码中包含了时间和多因素、cox回归、数据以及方向等参数。在of中，time代表状态，life代表基因，即在k对应列边的数据需要进行调整。数据就是k，而direction则使用boss方向。
接下来，我们将基于ar的step分布进行回归，这将在后期视频中进行详细讲解。这种分布回归在实际应用中非常重要。
接下来，我们将使用fit函数进行拟合，可以查看off c值。
·首先，aic值为一百三十九点六；其次，aic值为一百三十七点八、二十六点七、一百一百三十五点八、四和一百三十四点九。在选择最优洁时，我们需要选择最低的aic值。
随着基因数量的减少，aic值也会逐渐降低。因此，我们可以通过选择最低的aic值来选择最优基因。
·最后，当我们纳入四个基因时，aic值达到了最低，这意味着我们已经选择了最优基因。最后，我们选择了四个基因作为纳入基因指标，因为它们与预后密切相关。
这种积蓄性方法可以进一步筛选出与预后相关的基因。因此，这种方法更加高级。
如果您有临床数据或基因表达谱数据，想要进行分析，我非常推荐使用这种多种记忆学习算法相结合的style cos方法。这期视频只是简单介绍了一下这种方法，接下来我会再介绍一期，介绍机器学习服务器的算法。在处理数万至数十万的数据时，服务器的使用是必不可少的。我们可以看到，现在正在运行的是一个用于分析数据的服务器。如果您有能力，建议您学习服务器的使用，这将对您的工作有所帮助。
服务器团队计划推出一系列视频教程，讲解服务器的使用和各种算法的应用。我们将分享如何在便宜、简单的平台上租用服务器，让您获得更多的资源。
服务器的算法是我们视频的重点之一。我们将分享一些简单实用的方法，帮助您更好地使用服务器。
今天的视频就到这里，感谢您的观看。如果您喜欢本期视频，请点赞、收藏并关注我们的频道，我们将为您带来更多精彩内容。
,
