https://kdocs.cn/l/cn8AphsESDKH
维度 | 分组（Grouping） | 组选择（Group Selection） |
核心操作 | 将对象 / 变量划分为若干组（创造分组） | 从已有分组中筛选出有价值的组（筛选分组） |
目的 | 降低复杂度，突出组内共性 | 保留关键信息，简化模型或决策 |
依赖关系 | 组选择的前提（需先有分组） | 分组的后续优化步骤（基于分组结果） |
典型工具 | 聚类算法、分箱、类别划分 | 组 LASSO、F 检验、交叉验证 |
组选择：是在已完成分组的基础上，从所有组中筛选出对研究目标 “有贡献” 或 “有意义” 的组的过程。与单个元素的选择（如变量选择中的单个特征）不同，组选择以 “组” 为基本单位，要么保留整个组，要么剔除整个组。
分组：是将具有相似特征的对象或变量归为一类的操作，核心目的是通过 “同类合并” 降低数据复杂度，突出组内共性和组间差异。
组自适性（Group Adaptivity）： 是对 “组选择” 方法的优化与升级，核心是让模型根据 “组的重要性差异” 动态调整惩罚强度，而非对所有组使用统一的惩罚（如传统组 Lasso 的固定 λ）。这种 “差异化对待” 更贴合生物系统的真实逻辑 —— 不同功能组（如通路、基因家族）的生物学重要性本就不同（例如 “抑癌通路” 比 “随机基因簇” 更可能与疾病相关），因此需要 “按需调整筛选严格度”。
维度 | 组选择（如组 Lasso） | 组自适性（如自适应组 Lasso） |
惩罚逻辑 | 所有组统一惩罚强度 λ | 按组重要性分配权重\(w_g\)，动态调整惩罚 |
优势 | 保留功能组完整性 | 在完整性基础上，优先保留重要组，剔除冗余组 |
适用场景 | 组重要性差异小的数据集 | 组重要性已知或可推断的数据集（如生物通路） |
核心目标 | 避免拆碎功能单元 | 既不拆碎单元，又能 “智能筛选” 重要单元 |
共线性（Collinearity）：是高维数据（如基因表达、蛋白质组学数据）的常见特征，指变量间存在强相关性（如同一条通路的基因表达高度同步变化）。这种现象会干扰传统回归分析（如普通最小二乘），而惩罚回归（如弹性网、组自适应弹性网）是解决共线性的核心工具。以下从生物视角解读共线性的影响及应对方法
惩罚：按 “通路”“代谢模块” 等天然分组筛选（如把 “免疫通路” 作为一组），符合生物功能的协同性，结果更易解释（如 “某通路整体影响肿瘤生长” 比 “单个基因” 更有机制意义）。
方法 | 优势 | 局限（生物场景） |
组自适应弹性网 | 兼顾组选择与共线性，结果易解释 | 计算稍复杂（需定义分组） |
组 Lasso | 计算简单 | 对大通路不友好（易漏选小而重要的组） |
自适应 Lasso | 适合单变量筛选 | 忽略组功能，结果难关联生物学机制 |
岭回归 | 处理共线性好 | 不直接筛选变量（所有基因都保留） |
方法 | 缺陷 | 组自适应的改进 |
组 Lasso | 对所有组惩罚相同→ 小通路易被误删 | 按组重要性调整惩罚→ 保留关键小模块 |
弹性网 | 对所有组惩罚一致→ 共线性处理弱 | 组内加权重→ 同通路基因系数更均衡 |
岭回归 | 不筛选变量→ 保留大量噪声基因 | 结合组选择→ 聚焦功能单元，减少验证量 |
方法 | 缺陷 | 组自适应的改进 |
组 Lasso | 对所有组惩罚相同→ 小通路易被误删 | 按组重要性调整惩罚→ 保留关键小模块 |
弹性网 | 对所有组惩罚一致→ 共线性处理弱 | 组内加权重→ 同通路基因系数更均衡 |
岭回归 | 不筛选变量→ 保留大量噪声基因 | 结合组选择→ 聚焦功能单元，减少验证量 |