大家好！

我是机器学习方法的新手，有一个问题想请教。我尝试使用Caret包在R中开始这个方法，并处理我的数据集。

我有一个训练数据集（Dataset1），其中包含我感兴趣的基因（假设为基因A）的突变信息。

在Dataset1中，我有关于基因A突变的信息，以Mut或Not-Mut的形式。我使用Dataset1和SVM模型来预测输出（我选择SVM是因为它比LVQ或GBM更准确）。所以，在我的第一步，我将数据集分为训练和测试组，因为我在数据集中有测试和训练集的信息。然后我进行了10折交叉验证。我调整了我的模型，并使用测试数据集评估模型的性能（使用ROC曲线）。到这一步为止，一切顺利。

我还有另一个数据集，Dataset2，它不包含关于基因A的突变信息。我现在想做的是使用来自Dataset1的调整后的SVM模型在Dataset2上，看看它是否能给我提供关于Dataset2中基因A的突变信息，以Mut/Not-Mut的形式。我已经查看了Caret包的指南，但没有找到答案。我卡在这里，不知道该怎么办。

我不确定我选择的方法是否正确。任何建议或帮助将不胜感激。

这是我从第一个数据集调整模型的代码：

从第一个数据集中选择训练和测试模型：

M_train <- Dataset1[Dataset1$Case=='train',-1] #creating train feature data frameM_test <- Dataset1[Dataset1$Case=='test',-1] #creating test feature data framey=as.factor(M_train$Class) # Target variable for trainingctrl <- trainControl(method="repeatedcv", # 10fold cross validation                     repeats=5, # do 5 repititions of cv                     summaryFunction=twoClassSummary, # Use AUC to pick the best model                     classProbs=TRUE)#Use the expand.grid to specify the search space #Note that the default search grid selects 3 values of each tuning parametergrid <- expand.grid(interaction.depth = seq(1,4,by=2), #tree depths from 1 to 4                    n.trees=seq(10,100,by=10), # let iterations go from 10 to 100                    shrinkage=c(0.01,0.1), # Try 2 values fornlearning rate                     n.minobsinnode = 20)# Set up for parallel processing#set.seed(1951)registerDoParallel(4,cores=2)#Train and Tune the SVMsvm.tune <- train(x=M_train,                  y= M_train$Class,                  method = "svmRadial",                  tuneLength = 9, # 9 values of the cost function                  preProc = c("center","scale"),                  metric="ROC",                  trControl=ctrl) # same as for gbm above#Finally, assess the performance of the model using the test data set.#Make predictions on the test data with the SVM Modelsvm.pred <- predict(svm.tune,M_test)confusionMatrix(svm.pred,M_test$Class)svm.probs <- predict(svm.tune,M_test,type="prob") # Gen probs for ROCsvm.ROC <- roc(predictor=svm.probs$mut,               response=as.factor(M_test$Class),               levels=y))plot(svm.ROC,main="ROC for SVM built with GA selected features")

所以，我在这里卡住了，如何使用svm.tune模型来预测Dataset2中基因A的突变？

提前感谢，

回答：

现在你只需使用你构建和调整的模型，并使用predict来进行预测：

D2.predictions <- predict(svm.tune, newdata = Dataset2)

关键是要确保在这个集合中，你有所有相同的预测变量，并且列名相同（在我的偏执世界中，顺序也相同）。

D2.predictions将包含你对未标记数据的预测类别。