Nilearn汇总之我的理解（一文通览Nilearn绝大部分功能）

前面学习完带ROI的mask的预测（入门教程），以及group mask的预测（anova-SVM），把这些前置内容融汇贯通后，就可以开始看我下面的个人理解了。

首先回顾下前面的内容：

对于机器学习的基础：机器学习，说白了，就是用模型去拟合X和Y。作为医学生，我们没必要去弄明白这些模型内部的实现原理，只需要记住分类和回归中，最经典的几个模型，反正有skitlearn，API全部统一太方便了。因此，机器学习就是沟通X和Y的桥梁，这么去理解。Y好说，要么是离散数据，比如脸、猫，用来分类；要么是连续数据，比如1，2，3…，用来回归。重点来了，那么X是啥？在skitlearn里，X就是二维数据，列标签代表特征值，行标签代表样本（可以理解为每一个病人）。所以在skitlearn里，X就是二维，Y是一维（序列）。
Nilearn包，操作起来简单，它的实现原理其实很简单：核磁是三维数据，加上时间点就是四维数据，所以func数据就是四维的。要把它拿去机器学习，怎么办呢？很简单，就是降维！那么降维怎么实现的呢？看看下面，我结合具体例子解释。（仅供医学生去理解，统计学同学请忽略这篇文章）
降维有2种方法：
第一种是把体素，还有时间点作为特征值，（体素1，体素2，体素…10000）数据量很大，还好numpy对于矩阵处理非常棒。这种方法用于多个samples（这里的samples就是我们实验中的受试者）。
第二种是把体素作为sample，（体素1，体素2…体素10000），时间点作为特征值。这种方法用于单个受试者，但是需要这个受试者在实验中进行任务态功能核磁的重复刺激。

第一章 MVPA

MVPA ：multi-variate pattern analysis 多变量模式分析
对于入门教程：

# 1.导入数据
bold_file = bold.nii.gz
mask_roi_file = mask_roi.nii.gz
anatomical_file = anatomical.nii.gz
labels = labels.txt
condition_mask = labels.isin(['face', 'cat'])
# 2.数据预处理
#=== 去除不相干时间点 ###
#=== 如果实验中没有不相干时间点，就不用这步 ###
from nilearn.image import index_img
bold_prepared = index_img(fmri_filename, condition_mask)
# 3.分成训练集和测试集
# 4.设置评估器 evaluator
from nilearn.decoding import Decoder
decoder = Decoder(
    estimator='svc', mask=mask_roi_file,
    standardize=True, cv=5,
    scoring='accuracy'
)
# 5.拟合数据，同时进行交叉验证
decoder.fit(bold_prepared, labels)
pri