生信文章已经开始用SVM-RFE算法了，比如这篇5+分SCI文章！看小云如何用代码实现。
科研有捷径，输入代码，一键获取科研成果！就是这么省事，来具体看下有多方便！
搜索http://985.so/a9kb查看全部代码（目前共计50+持续新增中），也可以点击右侧【目录】，可以看到更多有趣的代码；真香提示：文末可以知道如何获取代码~
支持向量机递归特征消除(简称SVM-RFE)是由Guyon等人在对癌症分类时提出来的，最初只能对两类数据进行特征提取。它是一种基于Embedded方法。支持向量机广泛用于模式识别，机器学习等领域，SVM采用结构风险最小化原则，同时最小化经验误差，以此提高学习的性能。
SVM-RFE算法
SVM-RFE是一个基于SVM的最大间隔原理的序列后向选择算法。它通过模型训练样本，然后对每个特征进行得分进行排序，去掉最小特征得分的特征，然后用剩余的特征再次训练模型，进行下一次迭代，最后选出需要的特征数。
小编最近发现已有部分研究将SVM-RFE算法应用于生信文章，如下图。这篇影响因子 > 5分简单纯生信文章。
但是具体要如何实现？？？ 今天，小编以代码提供的数据为例进行说明。
代码具体包括：
Step1输入数据并构建SVM-RFE模型
Step2训练svm分类器和交叉验证
Step3 计算错误率和准确率并绘图
下面是代码中附带数据逐步分析结果
神奇吧，就是如此简单，我们用的都是入门级函数，稍微懂点R语言就能实现。
通过SVM-RFE筛选出目标基因之后，我们还可以进行预后模型构建、免疫肿瘤微环境和免疫细胞相关性分析等，想做免疫分析的可以扫码关注我们。
如需代码及示例数据等文件，请扫码聊天框回复 “B24”领取！
