我们经常做的研究就是建立预测模型。 我经常问自己，模型的实际应用价值是什么？

直到了解了列线图，我才知道模型可以通过列线图转化为实际的应用工具。

诺模图也叫，中文常称为列线图：

是 和 ，这有助于 和 避免更多的风险

简而言之，这是帮助患者或医生预测某种结果风险的工具。 它的核心是其背后的预测模型。

今天我将带您一步步制作列线图。

示例说明

我们今天使用的数据是R自带的泰坦尼克号邮轮数据集，数据大致是这样的：

包含乘客的死亡情况（两类）以及乘客的各种特征。 那么我们关心的是：如何根据乘客的年龄、性别和舱位来预测乘客的死亡情况。 我们将绘制列线图。

R操作

制作列线图的一个重要步骤是总结数据的分布。 这一步的目的是在绘制图形时根据这个分布指定绘图的比例。 我们将使用的方法是：

：对于给定的一组或一个数据框，for and 、to to、and for 、plot.、.、.rms、 、 和 .rms。

代码如下所示：

t.data <- datadist(titanic3)
options(datadist = 't.data')

然后我们可以拟合模型并绘制列线图：

fit <- lrm(formula = survived ~ age + pclass + sex, data = titanic3)
plot(nomogram(fit, fun = function(x)plogis(x)))

上图是一个列线图，我们使用乘客的年龄、性别和舱位来预测他们的死亡。 该图中的第一行称为每个变量的分数参考。 对于任何乘客，我们可以计算所有预测变量的总和。 点，然后将总分通过total映射到线性分，即可得到乘客的死亡概率。

例如，对于一位40岁的头等舱女性，她的死亡概率是0.4。 你怎么得到这个？

40岁为50分，头等舱为84分，男性为0分。 那么总分约为134分，对应的死亡概率约为0.4：

虽然我们知道如何阅读和解释列线图，但我们现在绘制的列线图并不容易使用。 如果你把它打印出来，你可能需要一把尺子才能把它弄好。 所以我们考虑为它画一条参考线：

plot(nomogram(fit, fun = function(x)plogis(x)),col.grid = gray(c(0.8, 0.95)))

这样是不是方便多了，哈哈。 列线图还有很多可以改动的地方，大家有兴趣慢慢探索。

概括

今天我将向您写一种简单的列线图制作方法，然后我将向您写一种更复杂的方法。 你必须记住，列线图只是模型的可视化，其本质是后续的预测模型，所以你必须预测模型对于某些特定的列线图才有用。

感谢您的耐心阅读。 我的文章很详细，代码都是原文。 我希望每个人都可以自己做。 请私信关注并回复“资料链接”，获取我收集的所有资料和学习资料。 如果对您有用，请先保存，然后点赞转发。

也欢迎大家提出意见和建议。

如果您是本科生或研究生，如果您为统计作业、数据分析、论文、报告、考试等而烦恼，如果您在使用SPSS、R、Mplus、Excel时遇到任何问题，都可以联系我。 因为我可以为您提供最好、最详细、最耐心的数据分析服务。

如果您对 Z 检验、t 检验、方差分析、多元方差分析、回归、卡方检验、相关性、多水平模型、结构方程模型、中介、量表信度和效度等统计技术有任何疑问，等等，请私信我，以获得最详细、耐心的指导。

如果您是#、#Data #、#、#、#、#、考试.. 如果您在#SPSS、#R-、#Excel、Mplus，那么就是我。 我可以为您提供最好的数据。

您的数据是否使用 z 检验、t 检验、方差分析、Chi-、SEM、模型等...？

然后是我。 我来解决你的...

加油吧，工人们！

过去的问题：

机器学习：逻辑回归分类器（1）

R数据分析：多类逻辑回归

R数据分析：逻辑回归和泊松回归

R数据分析：多元逻辑回归方法

R数据分析：如何进行逻辑回归