拓冰网站定制 
简介这份资源是面向医学统计与临床研究方向的R语言实战教程围绕心脏病术后复发预测这一具体课题帮助具备基础R语法或统计背景的读者完成从数据到模型的完整分析链路。压缩包共906个文件约41.52MB以91个R脚本、20个Rmd报告、24个HTML文档和31张PNG图表为核心辅以CSV、RDS、XLSX等数据文件及大量R包依赖目录覆盖数据导入、清洗、建模与结果呈现各环节。教程内容涉及tidyverse数据整理、缺失值与不平衡数据处理、逻辑回归与随机森林、xgboost等模型对比以及交叉验证、混淆矩阵、ROC曲线和AUC评估并借助varImp等函数讨论特征重要性与模型可解释性。目前已有585人学习下载适合希望把R语言应用于临床预测建模、需要可复现案例与排错参考的医学科研人员和数据分析学习者。1. 心脏病术后复发预测一份 R 语言医学分析教程能落地到什么程度心脏病术后复发预测听起来像只有三甲医院统计科才碰的课题但真拿到数据你会发现卡住大多数人的不是医学知识而是 R 语言里那些琐碎到让人翻车的细节变量类型不对、缺失值没处理干净、正负样本比例悬殊到模型直接摆烂。这份「R医学分析-心脏病术后复发预测教程」就是冲着这些具体问题来的它把数据导入、清洗、建模、评估、解释串成一条完整链路用的都是tidyverse、caret、randomForest、xgboost这些实战里真会装的包。适合谁R 语言入门到中级、手头有医学随访数据、想把复发预测跑通并写进论文或报告的人。如果你还在纠结read.csv和read_csv的区别或者glm()报错看不懂这份教程能帮你把流程立起来。2. 数据导入与清洗从原始随访表到可建模数据框2.1 为什么先啃readr和data.table而不是 base R医学随访数据动辄几千行、上百列用read.csv读进来慢不说字符串列默认转 factor 的旧行为经常埋雷。教程里推荐readr::read_csv()它读得快、不自动转 factor、列类型推断更保守配合problems()能直接定位解析失败的行。如果数据量再大一点比如几万行以上的多中心数据data.table::fread()是更稳的选择内存占用和速度都明显优于 base R。我一般会先fread探一下列数和分隔符再用read_csv做正式导入因为read_csv的col_types参数可以显式指定每列类型避免后续建模时因子水平对不上。library(readr) library(dplyr) # 显式指定列类型避免自动推断把 ID 读成 numeric col_spec - cols( patient_id col_character(), age col_double(), sex col_factor(levels c(Male, Female)), hypertension col_factor(levels c(No, Yes)), diabetes col_factor(levels c(No, Yes)), cholesterol col_double(), smoking col_factor(levels c(No, Yes)), family_history col_factor(levels c(No, Yes)), recurrence col_factor(levels c(No, Yes)) ) df - read_csv(heart_recurrence.csv, col_types col_spec) glimpse(df)这段代码的关键在col_specpatient_id必须是字符型否则前导零会丢二分类变量显式设成 factor 并指定 levels 顺序后面confusionMatrix()才不会把正类搞反。glimpse()用来快速确认每列类型和缺失情况比str()输出更紧凑。参数上col_factor的levels顺序很重要caret默认把第一个 level 当负类如果你把 Yes 放前面召回率算出来就是反的。2.2 缺失值处理is.na()只是起点别急着na.omit()教程里提到is.na()、complete.cases()、na.omit()但直接na.omit()在医学数据里是血泪经验级别的坑——删着删着样本少一半而且删掉的往往是有合并症的重症患者模型学出来的结论直接偏掉。常见做法是先做缺失模式可视化用naniar包看每个变量的缺失比例和共现关系再决定是删除、插补还是保留。对于缺失比例低于 5% 的连续变量中位数插补够用分类变量可以单独设一个 Unknown 水平缺失比例超过 20% 的变量要么找临床意义解释要么直接排除并在论文里说明。library(naniar) library(mice) # 缺失模式可视化 vis_miss(df) # 连续变量中位数插补分类变量加 Unknown 水平 df_imputed - df %% mutate( cholesterol ifelse(is.na(cholesterol), median(cholesterol, na.rm TRUE), cholesterol), smoking forcats::fct_explicit_na(smoking, na_level Unknown) ) # 多变量插补示例适合缺失较多的场景 imp - mice(df, m 5, method pmm, seed 123) df_mice - complete(imp, 1)vis_miss()输出的是缺失热图能一眼看出缺失是随机的还是成片的。mice的m 5表示生成 5 个插补数据集method pmm是预测均值匹配适合连续变量。complete(imp, 1)取第一个插补集正式分析时应该对每个插补集分别建模再合并结果但教程阶段先用一个集跑通流程没问题。注意fct_explicit_na会把 NA 变成一个显式水平后面建模时这个水平也会参与如果临床认为 Unknown 没有意义就在建模前用step_unknown或手动排除。2.3 不平衡数据的处理边界心脏病术后复发率通常不高正负样本 1:5 甚至 1:10 很常见。教程提到过采样、欠采样和 SMOTE这里要讲清楚边界欠采样会丢信息样本量本来就少的时候别用过采样简单复制会让模型过拟合SMOTE 在smotefamily或themis包里都有实现但它对分类变量的处理需要额外注意默认的 KNN 插值可能在因子变量上生成无意义的组合。我一般会先跑一版原始数据看基线再用themis::step_smote()在recipe流程里做这样交叉验证时重采样只在训练折内进行避免数据泄漏。library(themis) library(recipes) rec - recipe(recurrence ~ ., data df_imputed) %% step_normalize(all_numeric()) %% step_smote(recurrence, over_ratio 0.5) # 在 caret 或 tidymodels 流程里应用over_ratio 0.5表示少数类扩到多数类的 50%不是 1:1这样比全量过采样稳一些。step_normalize放在 SMOTE 前面因为 SMOTE 基于距离计算量纲不统一会出问题。这一步的坑在于如果你在完整数据集上先 SMOTE 再交叉验证验证集里混入了合成样本AUC 会虚高论文送审被质疑数据泄漏就麻烦了。3. 建模与调参glm、randomForest、xgboost怎么选怎么跑3.1 逻辑回归作为基线系数就是可解释性医学领域逻辑回归仍然是首选基线因为它的系数可以直接换算成 OR 值临床医生看得懂。glm(recurrence ~ ., family binomial())跑起来简单但要注意因子变量的参考水平、连续变量的线性假设、多重共线性。教程里用cor()看相关性但cor()只对连续变量有效分类变量要用vcd::assocstats()或caret::findCorrelation()。我一般会先跑单因素逻辑回归筛变量再把 P 值小于 0.1 的放进多因素模型最后用step()做逐步回归虽然逐步回归有争议但在变量数不多的时候作为探索够用。library(broom) # 单因素筛选 univars - names(df_imputed)[!names(df_imputed) %in% c(patient_id, recurrence)] uni_results - lapply(univars, function(v) { f - as.formula(paste(recurrence ~, v)) tidy(glm(f, data df_imputed, family binomial())) }) names(uni_results) - univars # 多因素模型 multi_model - glm(recurrence ~ age sex hypertension diabetes cholesterol smoking family_history, data df_imputed, family binomial()) summary(multi_model) exp(coef(multi_model)) # OR 值tidy()把模型结果转成数据框方便批量提取 P 值和系数。exp(coef())得到 OR 值大于 1 表示风险增加小于 1 表示保护因素。注意glm默认把 factor 的第一个 level 当参考所以sexMale的系数是相对于 Female 的。如果某个变量在单因素里显著、多因素里不显著别急着删可能是共线性或交互作用试试加交互项或做分层分析。3.2 随机森林与 XGBoost调参不是玄学有顺序随机森林和 XGBoost 在医学预测里用得多但调参顺序错了就是浪费时间。randomForest先调mtry每棵树分裂时随机选的变量数再调ntree树的数量nodesize对不平衡数据影响大可以适当调小。XGBoost 参数多但核心就几个max_depth、eta、nrounds、subsample、colsample_bytree。教程里用caret::train()做交叉验证trainControl设method cv、number 5、classProbs TRUE、summaryFunction twoClassSummary这样输出的是 AUC 而不是准确率对不平衡数据更合理。library(caret) library(randomForest) library(xgboost) ctrl - trainControl( method cv, number 5, classProbs TRUE, summaryFunction twoClassSummary, savePredictions final ) # 随机森林 rf_grid - expand.grid(mtry c(2, 3, 4, 5)) rf_model - train(recurrence ~ ., data df_imputed, method rf, trControl ctrl, tuneGrid rf_grid, metric ROC, ntree 500) # XGBoost xgb_grid - expand.grid( nrounds c(100, 200), max_depth c(3, 5), eta c(0.05, 0.1), gamma 0, colsample_bytree 0.8, min_child_weight 1, subsample 0.8 ) xgb_model - train(recurrence ~ ., data df_imputed, method xgbTree, trControl ctrl, tuneGrid xgb_grid, metric ROC)twoClassSummary会输出 ROC、敏感度、特异度metric ROC让调参以 AUC 为目标。savePredictions final保存最终模型的预测结果后面画 ROC 曲线直接用。随机森林的mtry一般从sqrt(变量数)附近试XGBoost 的eta小一点、nrounds大一点通常更稳但训练时间会拉长。注意train()默认会做预处理如果已经手动标准化过加preProcess NULL避免重复。3.3 交叉验证的坑数据泄漏和分层交叉验证最怕数据泄漏。比如你先在完整数据上做了 SMOTE再交给train()做 CV验证折里混了合成样本AUC 虚高。正确做法是把重采样嵌进recipe或trainControl的sampling参数里。另外createFolds()默认随机分折不平衡数据要加list FALSE并手动分层或者直接用trainControl的classProbs配合twoClassSummarycaret会自动做分层。如果样本量很小比如少于 2005 折 CV 每折验证集才 40 个样本AUC 波动会很大这时候用留一法或重复 5 折更稳但计算量成倍增加。# 分层交叉验证 set.seed(123) folds - createFolds(df_imputed$recurrence, k 5, list TRUE, returnTrain FALSE) ctrl_strat - trainControl( method cv, number 5, index lapply(folds, function(x) setdiff(1:nrow(df_imputed), x)), classProbs TRUE, summaryFunction twoClassSummary )index参数手动指定每折的训练集索引setdiff把验证折排除掉这样保证每折的正负比例和整体一致。如果不想手动写caret在method cv时对 factor 类型的因变量默认就是分层抽样但显式写出来更放心。4. 模型评估与解释混淆矩阵、ROC 和特征重要性4.1confusionMatrix()的正类方向别搞反caret::confusionMatrix()输出一堆指标但正类方向搞反是新手最常见的翻车点。confusionMatrix(data pred, reference truth, positive Yes)里的positive参数必须显式指定否则 R 按字母顺序把 No 当正类敏感度和特异度直接对调。教程里提到准确率、精确率、召回率、F1这些在confusionMatrix的输出里都有但医学场景下召回率敏感度通常比精确率重要因为漏诊一个复发患者的代价比误诊大。AUC 用pROC包算roc(response, predictor)然后auc()多模型比较用roc.test()做 DeLong 检验。library(pROC) # 假设 pred_prob 是模型输出的正类概率 roc_obj - roc(df_imputed$recurrence, pred_prob, levels c(No, Yes)) plot(roc_obj, print.auc TRUE, main ROC Curve) auc(roc_obj) # 混淆矩阵 pred_class - ifelse(pred_prob 0.5, Yes, No) confusionMatrix(factor(pred_class, levels c(No, Yes)), df_imputed$recurrence, positive Yes)roc()的levels参数指定负类在前、正类在后print.auc TRUE直接在图上标 AUC。阈值 0.5 不是固定的医学场景可以根据约登指数找最佳截断点pROC::coords(roc_obj, best, best.method youden)能直接算出来。注意confusionMatrix的data和reference都必须是 factor 且 levels 一致否则报错。4.2 特征重要性varImp()和 SHAP 的取舍随机森林和 XGBoost 的特征重要性用caret::varImp()就能出但它给的是基于节点不纯度或增益的排名对分类变量水平多的会有偏。更稳的做法是用iml或shapviz包算 SHAP 值能看出每个特征对单个预测的贡献方向。教程里提到varImp()作为快速筛选够用但如果要写进论文SHAP 图比重要性条形图更有说服力。逻辑回归直接看系数和 OR 值配合forestmodel包画森林图临床医生接受度最高。library(iml) # 用 iml 算 SHAP 值 predictor - Predictor$new(rf_model, data df_imputed[, -1], y df_imputed$recurrence) shap - Shapley$new(predictor, x.interest df_imputed[1, -1]) plot(shap) # 逻辑回归森林图 library(forestmodel) forest_model(multi_model)Predictor$new()包装模型和数据Shapley$new()对单个样本算 SHAPplot()出图。forest_model()直接接受glm对象输出 OR 值和置信区间的森林图比手动ggplot省事。注意 SHAP 计算量随特征数指数增长特征多的时候用shapviz的采样版本或fastshap近似。5. 避坑与排查五个真实翻车记录5.1 现象confusionMatrix报错 levels of data and reference must be the same原因模型预测的 factor levels 和真实标签的 levels 顺序或内容不一致常见于predict()输出丢了 levels 或 SMOTE 后新生成的样本标签类型变了。解决统一用factor(x, levels c(No, Yes))强制转换或者在trainControl里设classProbs TRUE后直接用概率阈值分类不走predict()的默认分类。5.2 现象随机森林varImp显示某个变量重要性为负原因randomForest包对分类变量的重要性计算在某些情况下会出负值尤其是变量水平多但样本少的时候。解决换ranger包跑随机森林或者用party::cforest()的条件推断树重要性更稳。如果只是筛选变量负值直接当 0 处理别硬解释。5.3 现象XGBoost 训练集 AUC 0.99验证集 AUC 0.6原因典型过拟合max_depth太深或nrounds太多模型把训练集噪声也学了。解决先降max_depth到 3 或 4加subsample 0.7、colsample_bytree 0.7再用xgb.cv()看早停轮数early_stopping_rounds 20能自动停在验证误差最低点。5.4 现象mice插补后模型结果和完整案例差很多原因插补模型本身有偏或者插补时用了包含结局变量的信息导致泄漏。解决插补时把结局变量排除在预测矩阵外用predictorMatrix参数设结局列全为 0。插补后做敏感性分析比较完整案例、中位数插补、多重插补三种结果如果差异大就在论文里讨论。5.5 现象step_smote报错 All columns must be numeric原因themis::step_smote()默认要求所有预测变量是 numeric因子变量需要先step_dummy()转成哑变量。解决在recipe里先step_dummy(all_nominal(), -all_outcomes())再step_smote()。注意哑变量化后变量数增加SMOTE 的 KNN 距离计算会变慢样本大时考虑step_adasyn()或step_rose()替代。6. 把模型塞进临床工作流一个可复现的预测脚本长什么样跑通单个模型只是起点真正落地要的是一个能重复执行的脚本读新数据、套用训练好的预处理参数、输出每个患者的复发概率和风险分层。我一般会把recipe和模型一起存成.rds新数据来了直接bake()和predict()避免重新拟合预处理步骤导致结果对不上。下面这个脚本模板我用了很多次改改路径和变量名就能套。library(tidymodels) library(readr) # 保存训练好的 workflow final_wf - workflow() %% add_recipe(rec) %% add_model(linear_reg() %% set_engine(glm)) # 这里以逻辑回归为例 # 假设 final_wf 已经 fit 过 # saveRDS(final_wf, heart_recurrence_model.rds) # 新数据预测 new_data - read_csv(new_patients.csv) model - readRDS(heart_recurrence_model.rds) preds - predict(model, new_data, type prob) %% bind_cols(new_data %% select(patient_id)) %% mutate( risk_level case_when( .pred_Yes 0.2 ~ Low, .pred_Yes 0.5 ~ Medium, TRUE ~ High ) ) write_csv(preds, recurrence_predictions.csv)这个脚本的关键在predict(model, new_data, type prob)type prob输出正类概率而不是硬分类方便做风险分层。case_when的阈值 0.2 和 0.5 是根据约登指数和临床共识定的不同数据集要重新校准。write_csv输出结果给临床端patient_id保留用于回溯。注意新数据的列名和类型必须和训练时一致read_csv的col_types最好也固定下来否则因子水平对不上会报错。验证模型稳定性我习惯做两件事一是用bootstrap重采样 1000 次算 AUC 的置信区间二是换一个时间段的随访数据做外部验证。内部验证 AUC 0.85、外部验证掉到 0.7 是常态别慌说明模型有过拟合回头检查变量筛选和调参过程。如果外部验证 AUC 低于 0.65基本要考虑重新设计特征或换模型了。从那以后我每次跑医学预测模型都强制走一遍「完整案例 → 多重插补 → SMOTE → 交叉验证 → 外部验证」的流程少一步都不敢往论文里写。希望帮到你。本文还有配套的精品资源点击获取 R语言医学分析实战：心脏病术后复发预测全流程教程
简介这份资源是面向医学统计与临床研究方向的R语言实战教程围绕心脏病术后复发预测这一具体课题帮助具备基础R语法或统计背景的读者完成从数据到模型的完整分析链路。压缩包共906个文件约41.52MB以91个R脚本、20个Rmd报告、24个HTML文档和31张PNG图表为核心辅以CSV、RDS、XLSX等数据文件及大量R包依赖目录覆盖数据导入、清洗、建模与结果呈现各环节。教程内容涉及tidyverse数据整理、缺失值与不平衡数据处理、逻辑回归与随机森林、xgboost等模型对比以及交叉验证、混淆矩阵、ROC曲线和AUC评估并借助varImp等函数讨论特征重要性与模型可解释性。目前已有585人学习下载适合希望把R语言应用于临床预测建模、需要可复现案例与排错参考的医学科研人员和数据分析学习者。1. 心脏病术后复发预测一份 R 语言医学分析教程能落地到什么程度心脏病术后复发预测听起来像只有三甲医院统计科才碰的课题但真拿到数据你会发现卡住大多数人的不是医学知识而是 R 语言里那些琐碎到让人翻车的细节变量类型不对、缺失值没处理干净、正负样本比例悬殊到模型直接摆烂。这份「R医学分析-心脏病术后复发预测教程」就是冲着这些具体问题来的它把数据导入、清洗、建模、评估、解释串成一条完整链路用的都是tidyverse、caret、randomForest、xgboost这些实战里真会装的包。适合谁R 语言入门到中级、手头有医学随访数据、想把复发预测跑通并写进论文或报告的人。如果你还在纠结read.csv和read_csv的区别或者glm()报错看不懂这份教程能帮你把流程立起来。2. 数据导入与清洗从原始随访表到可建模数据框2.1 为什么先啃readr和data.table而不是 base R医学随访数据动辄几千行、上百列用read.csv读进来慢不说字符串列默认转 factor 的旧行为经常埋雷。教程里推荐readr::read_csv()它读得快、不自动转 factor、列类型推断更保守配合problems()能直接定位解析失败的行。如果数据量再大一点比如几万行以上的多中心数据data.table::fread()是更稳的选择内存占用和速度都明显优于 base R。我一般会先fread探一下列数和分隔符再用read_csv做正式导入因为read_csv的col_types参数可以显式指定每列类型避免后续建模时因子水平对不上。library(readr) library(dplyr) # 显式指定列类型避免自动推断把 ID 读成 numeric col_spec - cols( patient_id col_character(), age col_double(), sex col_factor(levels c(Male, Female)), hypertension col_factor(levels c(No, Yes)), diabetes col_factor(levels c(No, Yes)), cholesterol col_double(), smoking col_factor(levels c(No, Yes)), family_history col_factor(levels c(No, Yes)), recurrence col_factor(levels c(No, Yes)) ) df - read_csv(heart_recurrence.csv, col_types col_spec) glimpse(df)这段代码的关键在col_specpatient_id必须是字符型否则前导零会丢二分类变量显式设成 factor 并指定 levels 顺序后面confusionMatrix()才不会把正类搞反。glimpse()用来快速确认每列类型和缺失情况比str()输出更紧凑。参数上col_factor的levels顺序很重要caret默认把第一个 level 当负类如果你把 Yes 放前面召回率算出来就是反的。2.2 缺失值处理is.na()只是起点别急着na.omit()教程里提到is.na()、complete.cases()、na.omit()但直接na.omit()在医学数据里是血泪经验级别的坑——删着删着样本少一半而且删掉的往往是有合并症的重症患者模型学出来的结论直接偏掉。常见做法是先做缺失模式可视化用naniar包看每个变量的缺失比例和共现关系再决定是删除、插补还是保留。对于缺失比例低于 5% 的连续变量中位数插补够用分类变量可以单独设一个 Unknown 水平缺失比例超过 20% 的变量要么找临床意义解释要么直接排除并在论文里说明。library(naniar) library(mice) # 缺失模式可视化 vis_miss(df) # 连续变量中位数插补分类变量加 Unknown 水平 df_imputed - df %% mutate( cholesterol ifelse(is.na(cholesterol), median(cholesterol, na.rm TRUE), cholesterol), smoking forcats::fct_explicit_na(smoking, na_level Unknown) ) # 多变量插补示例适合缺失较多的场景 imp - mice(df, m 5, method pmm, seed 123) df_mice - complete(imp, 1)vis_miss()输出的是缺失热图能一眼看出缺失是随机的还是成片的。mice的m 5表示生成 5 个插补数据集method pmm是预测均值匹配适合连续变量。complete(imp, 1)取第一个插补集正式分析时应该对每个插补集分别建模再合并结果但教程阶段先用一个集跑通流程没问题。注意fct_explicit_na会把 NA 变成一个显式水平后面建模时这个水平也会参与如果临床认为 Unknown 没有意义就在建模前用step_unknown或手动排除。2.3 不平衡数据的处理边界心脏病术后复发率通常不高正负样本 1:5 甚至 1:10 很常见。教程提到过采样、欠采样和 SMOTE这里要讲清楚边界欠采样会丢信息样本量本来就少的时候别用过采样简单复制会让模型过拟合SMOTE 在smotefamily或themis包里都有实现但它对分类变量的处理需要额外注意默认的 KNN 插值可能在因子变量上生成无意义的组合。我一般会先跑一版原始数据看基线再用themis::step_smote()在recipe流程里做这样交叉验证时重采样只在训练折内进行避免数据泄漏。library(themis) library(recipes) rec - recipe(recurrence ~ ., data df_imputed) %% step_normalize(all_numeric()) %% step_smote(recurrence, over_ratio 0.5) # 在 caret 或 tidymodels 流程里应用over_ratio 0.5表示少数类扩到多数类的 50%不是 1:1这样比全量过采样稳一些。step_normalize放在 SMOTE 前面因为 SMOTE 基于距离计算量纲不统一会出问题。这一步的坑在于如果你在完整数据集上先 SMOTE 再交叉验证验证集里混入了合成样本AUC 会虚高论文送审被质疑数据泄漏就麻烦了。3. 建模与调参glm、randomForest、xgboost怎么选怎么跑3.1 逻辑回归作为基线系数就是可解释性医学领域逻辑回归仍然是首选基线因为它的系数可以直接换算成 OR 值临床医生看得懂。glm(recurrence ~ ., family binomial())跑起来简单但要注意因子变量的参考水平、连续变量的线性假设、多重共线性。教程里用cor()看相关性但cor()只对连续变量有效分类变量要用vcd::assocstats()或caret::findCorrelation()。我一般会先跑单因素逻辑回归筛变量再把 P 值小于 0.1 的放进多因素模型最后用step()做逐步回归虽然逐步回归有争议但在变量数不多的时候作为探索够用。library(broom) # 单因素筛选 univars - names(df_imputed)[!names(df_imputed) %in% c(patient_id, recurrence)] uni_results - lapply(univars, function(v) { f - as.formula(paste(recurrence ~, v)) tidy(glm(f, data df_imputed, family binomial())) }) names(uni_results) - univars # 多因素模型 multi_model - glm(recurrence ~ age sex hypertension diabetes cholesterol smoking family_history, data df_imputed, family binomial()) summary(multi_model) exp(coef(multi_model)) # OR 值tidy()把模型结果转成数据框方便批量提取 P 值和系数。exp(coef())得到 OR 值大于 1 表示风险增加小于 1 表示保护因素。注意glm默认把 factor 的第一个 level 当参考所以sexMale的系数是相对于 Female 的。如果某个变量在单因素里显著、多因素里不显著别急着删可能是共线性或交互作用试试加交互项或做分层分析。3.2 随机森林与 XGBoost调参不是玄学有顺序随机森林和 XGBoost 在医学预测里用得多但调参顺序错了就是浪费时间。randomForest先调mtry每棵树分裂时随机选的变量数再调ntree树的数量nodesize对不平衡数据影响大可以适当调小。XGBoost 参数多但核心就几个max_depth、eta、nrounds、subsample、colsample_bytree。教程里用caret::train()做交叉验证trainControl设method cv、number 5、classProbs TRUE、summaryFunction twoClassSummary这样输出的是 AUC 而不是准确率对不平衡数据更合理。library(caret) library(randomForest) library(xgboost) ctrl - trainControl( method cv, number 5, classProbs TRUE, summaryFunction twoClassSummary, savePredictions final ) # 随机森林 rf_grid - expand.grid(mtry c(2, 3, 4, 5)) rf_model - train(recurrence ~ ., data df_imputed, method rf, trControl ctrl, tuneGrid rf_grid, metric ROC, ntree 500) # XGBoost xgb_grid - expand.grid( nrounds c(100, 200), max_depth c(3, 5), eta c(0.05, 0.1), gamma 0, colsample_bytree 0.8, min_child_weight 1, subsample 0.8 ) xgb_model - train(recurrence ~ ., data df_imputed, method xgbTree, trControl ctrl, tuneGrid xgb_grid, metric ROC)twoClassSummary会输出 ROC、敏感度、特异度metric ROC让调参以 AUC 为目标。savePredictions final保存最终模型的预测结果后面画 ROC 曲线直接用。随机森林的mtry一般从sqrt(变量数)附近试XGBoost 的eta小一点、nrounds大一点通常更稳但训练时间会拉长。注意train()默认会做预处理如果已经手动标准化过加preProcess NULL避免重复。3.3 交叉验证的坑数据泄漏和分层交叉验证最怕数据泄漏。比如你先在完整数据上做了 SMOTE再交给train()做 CV验证折里混了合成样本AUC 虚高。正确做法是把重采样嵌进recipe或trainControl的sampling参数里。另外createFolds()默认随机分折不平衡数据要加list FALSE并手动分层或者直接用trainControl的classProbs配合twoClassSummarycaret会自动做分层。如果样本量很小比如少于 2005 折 CV 每折验证集才 40 个样本AUC 波动会很大这时候用留一法或重复 5 折更稳但计算量成倍增加。# 分层交叉验证 set.seed(123) folds - createFolds(df_imputed$recurrence, k 5, list TRUE, returnTrain FALSE) ctrl_strat - trainControl( method cv, number 5, index lapply(folds, function(x) setdiff(1:nrow(df_imputed), x)), classProbs TRUE, summaryFunction twoClassSummary )index参数手动指定每折的训练集索引setdiff把验证折排除掉这样保证每折的正负比例和整体一致。如果不想手动写caret在method cv时对 factor 类型的因变量默认就是分层抽样但显式写出来更放心。4. 模型评估与解释混淆矩阵、ROC 和特征重要性4.1confusionMatrix()的正类方向别搞反caret::confusionMatrix()输出一堆指标但正类方向搞反是新手最常见的翻车点。confusionMatrix(data pred, reference truth, positive Yes)里的positive参数必须显式指定否则 R 按字母顺序把 No 当正类敏感度和特异度直接对调。教程里提到准确率、精确率、召回率、F1这些在confusionMatrix的输出里都有但医学场景下召回率敏感度通常比精确率重要因为漏诊一个复发患者的代价比误诊大。AUC 用pROC包算roc(response, predictor)然后auc()多模型比较用roc.test()做 DeLong 检验。library(pROC) # 假设 pred_prob 是模型输出的正类概率 roc_obj - roc(df_imputed$recurrence, pred_prob, levels c(No, Yes)) plot(roc_obj, print.auc TRUE, main ROC Curve) auc(roc_obj) # 混淆矩阵 pred_class - ifelse(pred_prob 0.5, Yes, No) confusionMatrix(factor(pred_class, levels c(No, Yes)), df_imputed$recurrence, positive Yes)roc()的levels参数指定负类在前、正类在后print.auc TRUE直接在图上标 AUC。阈值 0.5 不是固定的医学场景可以根据约登指数找最佳截断点pROC::coords(roc_obj, best, best.method youden)能直接算出来。注意confusionMatrix的data和reference都必须是 factor 且 levels 一致否则报错。4.2 特征重要性varImp()和 SHAP 的取舍随机森林和 XGBoost 的特征重要性用caret::varImp()就能出但它给的是基于节点不纯度或增益的排名对分类变量水平多的会有偏。更稳的做法是用iml或shapviz包算 SHAP 值能看出每个特征对单个预测的贡献方向。教程里提到varImp()作为快速筛选够用但如果要写进论文SHAP 图比重要性条形图更有说服力。逻辑回归直接看系数和 OR 值配合forestmodel包画森林图临床医生接受度最高。library(iml) # 用 iml 算 SHAP 值 predictor - Predictor$new(rf_model, data df_imputed[, -1], y df_imputed$recurrence) shap - Shapley$new(predictor, x.interest df_imputed[1, -1]) plot(shap) # 逻辑回归森林图 library(forestmodel) forest_model(multi_model)Predictor$new()包装模型和数据Shapley$new()对单个样本算 SHAPplot()出图。forest_model()直接接受glm对象输出 OR 值和置信区间的森林图比手动ggplot省事。注意 SHAP 计算量随特征数指数增长特征多的时候用shapviz的采样版本或fastshap近似。5. 避坑与排查五个真实翻车记录5.1 现象confusionMatrix报错 levels of data and reference must be the same原因模型预测的 factor levels 和真实标签的 levels 顺序或内容不一致常见于predict()输出丢了 levels 或 SMOTE 后新生成的样本标签类型变了。解决统一用factor(x, levels c(No, Yes))强制转换或者在trainControl里设classProbs TRUE后直接用概率阈值分类不走predict()的默认分类。5.2 现象随机森林varImp显示某个变量重要性为负原因randomForest包对分类变量的重要性计算在某些情况下会出负值尤其是变量水平多但样本少的时候。解决换ranger包跑随机森林或者用party::cforest()的条件推断树重要性更稳。如果只是筛选变量负值直接当 0 处理别硬解释。5.3 现象XGBoost 训练集 AUC 0.99验证集 AUC 0.6原因典型过拟合max_depth太深或nrounds太多模型把训练集噪声也学了。解决先降max_depth到 3 或 4加subsample 0.7、colsample_bytree 0.7再用xgb.cv()看早停轮数early_stopping_rounds 20能自动停在验证误差最低点。5.4 现象mice插补后模型结果和完整案例差很多原因插补模型本身有偏或者插补时用了包含结局变量的信息导致泄漏。解决插补时把结局变量排除在预测矩阵外用predictorMatrix参数设结局列全为 0。插补后做敏感性分析比较完整案例、中位数插补、多重插补三种结果如果差异大就在论文里讨论。5.5 现象step_smote报错 All columns must be numeric原因themis::step_smote()默认要求所有预测变量是 numeric因子变量需要先step_dummy()转成哑变量。解决在recipe里先step_dummy(all_nominal(), -all_outcomes())再step_smote()。注意哑变量化后变量数增加SMOTE 的 KNN 距离计算会变慢样本大时考虑step_adasyn()或step_rose()替代。6. 把模型塞进临床工作流一个可复现的预测脚本长什么样跑通单个模型只是起点真正落地要的是一个能重复执行的脚本读新数据、套用训练好的预处理参数、输出每个患者的复发概率和风险分层。我一般会把recipe和模型一起存成.rds新数据来了直接bake()和predict()避免重新拟合预处理步骤导致结果对不上。下面这个脚本模板我用了很多次改改路径和变量名就能套。library(tidymodels) library(readr) # 保存训练好的 workflow final_wf - workflow() %% add_recipe(rec) %% add_model(linear_reg() %% set_engine(glm)) # 这里以逻辑回归为例 # 假设 final_wf 已经 fit 过 # saveRDS(final_wf, heart_recurrence_model.rds) # 新数据预测 new_data - read_csv(new_patients.csv) model - readRDS(heart_recurrence_model.rds) preds - predict(model, new_data, type prob) %% bind_cols(new_data %% select(patient_id)) %% mutate( risk_level case_when( .pred_Yes 0.2 ~ Low, .pred_Yes 0.5 ~ Medium, TRUE ~ High ) ) write_csv(preds, recurrence_predictions.csv)这个脚本的关键在predict(model, new_data, type prob)type prob输出正类概率而不是硬分类方便做风险分层。case_when的阈值 0.2 和 0.5 是根据约登指数和临床共识定的不同数据集要重新校准。write_csv输出结果给临床端patient_id保留用于回溯。注意新数据的列名和类型必须和训练时一致read_csv的col_types最好也固定下来否则因子水平对不上会报错。验证模型稳定性我习惯做两件事一是用bootstrap重采样 1000 次算 AUC 的置信区间二是换一个时间段的随访数据做外部验证。内部验证 AUC 0.85、外部验证掉到 0.7 是常态别慌说明模型有过拟合回头检查变量筛选和调参过程。如果外部验证 AUC 低于 0.65基本要考虑重新设计特征或换模型了。从那以后我每次跑医学预测模型都强制走一遍「完整案例 → 多重插补 → SMOTE → 交叉验证 → 外部验证」的流程少一步都不敢往论文里写。希望帮到你。本文还有配套的精品资源点击获取