建立脑影像机器学习模型的step-by-step教程 _模型

机器学习的日益普及导致了一些工具的开发，旨在使这种方法的应用易于机器学习新手。这些努力已经产生了和这样的工具，这并不需要任何编程技能。然而，尽管这些工具可能非常有用，但它们的简单性是以透明度和灵活性为代价的。学习如何编程一个机器学习管道(即使是一个简单的)是一个很好的方式来洞察这种分析方法的优势，以及沿着机器学习管道可能发生的扭曲。此外，它还允许更大的灵活性，如使用任何机器学习算法或感兴趣的数据模式。尽管学习如何为机器学习管道编程有明显的好处，但许多研究人员发现这样做很有挑战性，而且不知道如何着手。
在本文中，我们提供了一个循序渐进的教程，介绍如何使用-learn实现一个标准的有监督机器学习管道，-learn是编程语言中一种广泛流行且易于使用的机器学习库。在流程的每个步骤中，我们都提供了简短的基本原理和对代码的解释，当相关的时候，我们会向读者提供有用的外部资源，这些资源提供了进一步的示例或更深入的讨论。示例代码遵循第2章中描述的工作流程。鼓励读者参考本章，以获得机器学习管道主要元素的更深入的理论解释。
本教程的目标是机器学习初学者。由于这个原因，它需要最少的编程知识。但是，鼓励读者熟悉基本的。是一种广泛使用的编程语言，有很多可用的资源。中级用户也会发现本教程很有用。示例代码的结构方式很容易用其他技术删除、添加或替换某些技术。这样，读者可以尝试不同的方法，并在代码的基础上开发更复杂的管道。该实现遵循严格的方法，以避免双重倾斜等常见错误，并获得可靠的结果。本文发表在本文发表在andto Brain。
我们首先简要介绍如何安装和所有必要的库，以及如何访问该代码的数据集和在线版本。
19.2安装和主要库
在本教程中，源代码是使用 3编写的。和大多数编程语言一样，是在库中组织的。每个库都包含一组用于特定目的的专用函数。在本教程中，我们使用以下库：
和numpy是被广泛使用的用于加载、操作和汇总数据的库。虽然用于处理表格数据(例如，数据排列在表格中，有行和列)，numpy是一个更通用的库。我们还使用科学计算的基础库scipy运行一些单变量统计数据，以探索数据并为统计分析做准备。和是用于数据可视化的库。这在研究数据或总结结果时非常有用。最后，-learn，或者更通俗的说法是，可以说是最流行和最容易访问的机器学习库。它是一个高级库，这意味着许多复杂的应用程序被封装在更简单、更短和易于使用的函数中。
要运行本教程中的示例代码，读者需要安装 3以及上述所有库。最简单的方法是下载并安装。这是用于科学计算的编程语言的免费和开源发行版，旨在简化包的管理和部署。
19.3如何读本章
在本章中，读者会发现不同的文本风格区分不同种类的信息。代码块(称为代码片段)将出现在下面的框中。代码片段有编号，以便更容易地引用分析的不同阶段。每个代码段的输出都显示在代码下面。
在某些情况下，一行代码可能太长，必须分成两行。这将用\表示(注意这不是在代码的在线版本中) 。示例代码的在线版本是用笔记本格式编写的。>>>符号表示命令的输出将在笔记本中显示。对于某些代码段，输出可能太长，在这种情况下，只显示输出的一部分。这将被标记为“... .” 。文本中对主要库或特定库中特定工具的引用以新字体显示。
19.4使用大脑形态测量学对精神分裂症患者和健康对照组进行分类
本教程中使用的例子涉及到使用神经解剖学数据对精神分裂症患者(SZ)和健康对照组(HC)进行分类。模拟输出的数据集包含了大脑101个区域的灰质体积和厚度，以及每个参与者的ID、年龄、性别和诊断结果。图19.1展示了本教程最后一个流程的概要。为了本练习的目的，我们假设特征提取，即从原始结构磁共振成像(MRI)图像中提取体积和厚度值的过程已经完成。因此，我们从为机器学习分析准备数据开始我们的教程。在这个步骤中，我们将探索缺失数据、混杂变量和类别不平衡的数据，并讨论如何解决这些问题。接下来，我们定义了具有10次迭代(外部CV)的交叉验证(CV)方案。在每次迭代中，训练集和测试集分别进行数据转换，以避免知识泄漏。然后将支持向量机(SVM)模型用于训练集。SVM依赖于超参数C 。为了决定使用C的哪个值，我们创建了一个包含10折的内部CV 。这意味着，对于我们想要测试的每一个C值，一个SVM模型都要训练和测试10次；对于给定的C值，最后的性能是通过平均10个性能来估计的。然后使用最优的C参数在整个训练集上训练SVM模型。该训练模型的性能在测试集中进行测量。整个过程重复10次(即外部CV的10次迭代) 。一旦完成，我们的SVM模型的最终性能是通过平均10个外部折的性能指标来计算的。最后，我们调查哪些特征在驱动模型的预测中更重要，并测试我们的模型的最终性能的统计显著性。