有哪些做壁纸的网站,销售平台,在线玩网页游戏h5网站大全,物流网站建设报价列线图#xff0c;又称诺莫图#xff08;Nomogram#xff09;#xff0c;它是建立在回归分析的基础上#xff0c;使用多个临床指标或者生物属性#xff0c;然后采用带有分数高低的线段#xff0c;从而达到设置的目的#xff1a;基于多个变量的值预测一定的临床结局或者…列线图又称诺莫图Nomogram它是建立在回归分析的基础上使用多个临床指标或者生物属性然后采用带有分数高低的线段从而达到设置的目的基于多个变量的值预测一定的临床结局或者某类事件发生的概率。列线图(Nomogram)可以用于多指标联合诊断或预测疾病发病或进展。
近些年来在高质量SCI临床论文中用的越来越多。列线图将回归模型转换成了可以直观的视图让结果更容易判断具有可读性例如 咱们既往已经多篇文章介绍绘制列线图今天咱们来视频介绍一下VRPM包绘制彩色列线图这个包可以绘制多个模型的列线图咱们一一来介绍。 R语言VRPM绘制多种模型的彩色列线图 代码
# install.packages(devtools) # 安装devtools包
# devtools::install_github(nanxstats/VRPM) # 安装VRPM包
# 或者在我的公众号吧这个包下载下来公众号回复VRPM包手动安装library(VRPM)
library(survival)
setwd(E:/公众号文章2024年/代码视频/代码视频VRPM包绘制彩色评分图)
mydata - read.csv(mydata.csv)
mydata$rank - factor(mydata$rank)
fit - glm(admit ~ gre gpa rank, data mydata, family binomial)
colplot(fit)
colplot(fit,coloroptions1)
colplot(fit,coloroptions3)#### cox比例风险回归
library(mfp)
data(GBSG)
fit-coxph(Surv(rfst, cens) ~ agetumsizeposnodalprmesmmenostattumgrad, data GBSG, modelTRUE)
colplot(fit)
str(GBSG)
str(bc)
##########
library(foreign)
bc - read.spss(E:/r/test/Breast cancer survival agec.sav,use.value.labelsF, to.data.frameT)
bc - na.omit(bc)
bc$histgrad-as.factor(bc$histgrad)
bc$er-as.factor(bc$er)
bc$pr-as.factor(bc$pr)
bc$ln_yesno-as.factor(bc$ln_yesno)
bc$time-as.integer(bc$time)
fit1-coxph(Surv(time,status)~erhistgradprageln_yesno,bc,modelTRUE) #modelTRUE一定要有
colplot(fit1)#### 多项式逻辑回归模型
library(nnet)
library(VGAMdata)
data(xs.nz)
marital.nz - xs.nz[,c(marital,sex,age,height,weight)]
mydata - marital.nz[complete.cases(marital.nz),]
str(mydata)
fit - multinom(marital ~ sex age height weight, data mydata,modelTRUE)
# for multinimial logistic regression, a vector of risk labels needs to be made
# and provided to the colplot function
outnamescolnames(fitted(fit))
labelsc(paste(Linear predictor for,outnames[-1]),paste(Predicted chance of being,outnames))
# visualize the model: more than one plot is generated in the current directory
colplot(fit,coloroptions3,risklabellabels,filenamediv) #生成div开头的图片#### 支持向量机分类器
## Not run:
library(kernlab)
data(iris)
levels(iris$Species)[levels(iris$Species)setosa] - other
levels(iris$Species)[levels(iris$Species)virginica] - other
names(iris)c(SL,SW,PL,PW,Species)
# RBF kernel
model -ksvm(Species ~ ., data iris,prob.modelTRUE,kparlist(0.03),C10)
# The plot should be based on all training data, so the following code should be used:
newmodelpreplotperf(model,iris,indy5,zerolevelmin) #对模型和数据进行处理
colplot(newmodel,filenameIRIS2,zerolevelmin,coloroptions5)
