MachineLearning ERbreastCancer:带有梯度下降逻辑回归的ER乳腺癌预测 源码

使用梯度下降逻辑回归的ER乳腺癌预测 乔治娜·冈萨雷斯(Georgina Gonzalez) 拷贝数畸变,基因组区域的得失是癌症的标志。 拷贝数数据是高维数据,具有大量相关特征。 通常,像在这种情况下一样,样本数量比特征数量少。 在这项工作中,我首先使用阵列CGH的拓扑分析(TAaCGH)[1]降低了维度,从而检测出雌激素受体(ER +)过表达的患者的拷贝数显着异常。 接下来,确定每个患者的特定区域是否异常,从而创建一组二进制变量,这些变量将用作梯度下降逻辑回归模型的特征以预测ER +乳腺癌[2]。 文件regularized_optim_logit_ERpos.pdf显示了结果,并描述了