怎样设计网站版面百度主页网址

我们在用回归做医疗数据的分析时，往往需要知道病人的存活率，但这里的存活率往往指的是各种排列组合的存活率，但是直接输出所有分组又很浪费计算量，且在结果中找我们想要的组合也很费力。

而nomogram则提供了一种计分的方式，通过给不同分组的每种情况赋分，判断贡献，让我们可以直接观察我们关心数据的区间，从而直接知晓所要分类的病人的生存率。

以下是一个例子：

# 加载必要的包
library(regplot)# 生成模拟数据
set.seed(123)
n <- 200
data <- data.frame(年龄 = round(rnorm(n, mean = 60, sd = 10)),肿瘤大小 = round(runif(n, min = 1, max = 5), 1),吸烟 = factor(sample(c("是", "否"), n, replace = TRUE, prob = c(0.3, 0.7))),生存状态 = factor(sample(c("死亡", "存活"), n, replace = TRUE, prob = c(0.4, 0.6)))
)# 拟合逻辑回归模型
model <- glm(生存状态 ~ 年龄 + 肿瘤大小 + 吸烟, family = binomial(link = "logit"), data = data)# 绘制 Nomogram
regplot(model,points = TRUE,          # 显示点刻度odds = TRUE,            # 显示OR值failtime = c(1, 3, 5),  # 如果做生存分析可设置时间点title = "Nomogram 预测模型")

输出：

[[1]]吸烟 Points
吸烟2   是     46
吸烟1   否     58[[2]]肿瘤大小 Points
1        1     24
2        2     41
3        3     58
4        4     75
5        5     92[[3]]年龄 Points
1    35    104
2    40     95
3    45     85
4    50     76
5    55     67
6    60     58
7    65     49
8    70     40
9    75     31
10   80     22
11   85     13
12   90      4
13   95     -5[[4]]Total Points Pr( 生存状态 )
1            80         0.2577
2           100         0.2850
3           120         0.3139
4           140         0.3443
5           160         0.3761
6           180         0.4090
7           200         0.4427
8           220         0.4770
9           240         0.5114
10          260         0.5458
11          280         0.5797

在图中可以看到，年龄对死亡风险的影响最大，吸烟的影响相对较小。对于年龄来说，每增加5岁，分数减少约9分，即年龄越大，死亡风险越高；肿瘤则是每增加1cm，分数增加约17分，这里看起来相反，实际上是因为两者的系数正负不一样，所以才这样分析。