🧬 R Machine Learning Workbench#

概述#

专业级 R 语言机器学习技能，专为生物医学/生信研究者设计。所有脚本由 R 原生执行， 输出结果为可直接用于论文的图表和报告。

触发词#

R机器学习, R ML, caret建模, tidymodels, 随机森林R, XGBoost R, LASSO R, SVM R, 交叉验证R, 超参调优R, SHAP R, ROC曲线R, 校准曲线R, 特征筛选R, Boruta R, 生存分析ML, 差异表达分类, r machine learning, caret, random forest R, xgboost R

能力清单#

命令功能适用场景install安装所有依赖包首次使用split数据划分(训练/验证/测试)任何建模前explore数据探索性分析理解数据特点feature_engineer自动特征工程数据预处理feature_select特征筛选(Boruta/RFE/LASSO)高维数据降维rf随机森林(回归/分类/生存)基线模型/复杂关系xgboostXGBoost(回归/分类/生存)强预测/竞赛级lassoLASSO回归(glmnet)高维稀疏/特征选择svmSVM分类/回归小样本/高维数据tune超参调优(网格/随机/贝叶斯)模型优化cv交叉验证(3/5/10折)模型评估compare多模型对比+统计检验选最优模型rocROC曲线+PR曲线二分类评价calibration校准曲线+HL检验概率校准评价shapSHAP可解释性分析模型解释/特征重要性survival生存分析ML(RF-Survival/XGB-Cox)生存数据建模pipeline一键全流程快速出结果report生成完整分析报告(HTML)可交付产出

依赖包#

r

# 核心建模
caret, tidymodels, glmnet, xgboost, randomForest, ranger, kernlab

# 特征选择
Boruta, FSelectorRFE

# 模型解释
fastshap, DALEX, DALEXtra, ingredients

# 评价
pROC, PRROC, rms, ResourceSelection

# 生存分析
survival, survminer, randomForestSRC, xgboost.surv

# 可视化
ggplot2, ggpubr, corrplot, pheatmap

# 报告
rmarkdown, knitr, DT, kableExtra

# 数据处理
dplyr, tidyr, recipes, rsample, workflows

脚本架构#

text

scripts/
├── utils.R              # 通用工具函数
├── install_packages.R   # 依赖安装
├── data_split.R         # 数据划分
├── data_explore.R       # 探索性分析
├── feature_engineering.R # 特征工程
├── feature_selection.R  # 特征筛选
├── rf_model.R           # 随机森林
├── xgboost_model.R      # XGBoost
├── lasso_model.R        # LASSO
├── svm_model.R          # SVM
├── hyperparameter_tune.R # 超参调优
├── cross_validation.R   # 交叉验证
├── model_compare.R      # 模型对比
├── roc_analysis.R       # ROC分析
├── calibration.R        # 校准曲线
├── shap_analysis.R      # SHAP解释
├── survival_ml.R        # 生存ML
├── pipeline.R           # 全流程
└── report_generator.R   # 报告生成

使用示例#

快速入门：一键全流程#

Windows (PowerShell)

powershell

# 1. 先安装依赖（仅首次）
.\scripts\launcher.ps1 install

# 2. 一键全流程
.\scripts\launcher.ps1 pipeline --data data.csv --target outcome --type classification --cv 5

# 3. 指定建模+调优
.\scripts\launcher.ps1 tune --data data.csv --target outcome --model xgboost --method bayesian

Linux/macOS (Bash)

bash

bash scripts/launcher.sh install
bash scripts/launcher.sh pipeline --data data.csv --target outcome --type classification --cv 5
bash scripts/launcher.sh tune --data data.csv --target outcome --model xgboost --method bayesian

自定义步骤#

Windows

powershell

.\scripts\launcher.ps1 split --data data.csv --target outcome --ratio 0.7
.\scripts\launcher.ps1 feature_select --data train.csv --target outcome --method boruta
.\scripts\launcher.ps1 rf --data train.csv --target outcome --cv 5 --tune TRUE
.\scripts\launcher.ps1 shap --model model.rds --data test.csv
.\scripts\launcher.ps1 roc --preds predictions.csv --truth test.csv --outcome outcome
.\scripts\launcher.ps1 survival --data survival_data.csv --time time --event status --model rfsrc
.\scripts\launcher.ps1 report --data data.csv --target outcome

Linux/macOS

bash

bash scripts/launcher.sh split --data data.csv --target outcome --ratio 0.7
bash scripts/launcher.sh feature_select --data train.csv --target outcome --method boruta
bash scripts/launcher.sh rf --data train.csv --target outcome --cv 5 --tune TRUE
bash scripts/launcher.sh shap --model model.rds --data test.csv
bash scripts/launcher.sh roc --preds predictions.csv --truth test.csv --outcome outcome
bash scripts/launcher.sh survival --data survival_data.csv --time time --event status --model rfsrc
bash scripts/launcher.sh report --data data.csv --target outcome

输出#

所有输出保存到 output/ 目录：

• output/plots/ - 发表级图表(PDF/PNG/SVG)
• output/models/ - 模型对象(.rds)
• output/predictions/ - 预测结果(.csv)
• output/reports/ - 分析报告(.html/.pdf)
• output/tables/ - 结果表格(.csv/.tex)

数据要求#

• 输入: CSV格式，行为样本，列为变量
• 分类目标: 二分类(factor, 0/1)，多分类(factor)
• 回归目标: 连续数值(numeric)
• 生存目标: time(数值) + event(0/1) 两列
• 无特殊字符列名，缺失值用NA表示

注意事项#

⚠️ 需要R >= 4.0 已安装 ⚠️ 首次使用需运行 install 命令安装依赖包（Windows: .\scripts\launcher.ps1 install） ⚠️ Windows 需要在 PATH 中加入 R： C:\Program Files\R\R-4.6.0\bin\x64（或其他R安装路径） ⚠️ 高维数据(p>>n)建议先用 LASSO 或 Boruta 筛选 ⚠️ 大文件(>100MB)会明显增加处理时间