R语言VRPM包绘制多种模型的彩色列线图
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。
首先VRPM包已经在R官方下架，不能直接安装，咱们可以
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
如果遇到下面报错的话，表明’fields’, ‘R2HTML’这两个包的版本不合适，
咱们需要把’fields’, 'R2HTML’这两个包从新安装一下，然后再次安装就可以了
安装好VRPM包后咱们就可以开始了，先导入R包
library(VRPM)
library(survival)
设置好咱们的目录，这样有个好处，VRPM包是直接把图片保存到默认目录的，这样你比较好找
setwd("E:/公众号文章2023年/VRPM包绘制彩色评分图")
导入数据，把分类变量转成因子
mydata <- read.csv("mydata.csv")
这是很简单的数据，admit是个分类的结局变量，其他的是协变量,（公众号回复：列线图数据，可以获得这个数据。）
把分类变量转成因子
mydata$rank <- factor(mydata$rank)
建立模型，先来个逻辑回归的
fit <- glm(admit ~ gre + gpa + rank, data = mydata, family = "binomial")
绘制列线图
colplot(fit)
绘图后并不在R界面生成我们需要在默认目录下找，就是刚才咱们设置的目录
(“E:/公众号文章2023年/VRPM包绘制彩色评分图”)
这样一个彩色列线图就生成了，根据颜色深浅表示了危险程度。咱们还可以对颜色进行一些修改
colplot(fit,coloroptions=1)
colplot(fit,coloroptions=3)
接下来咱们来个cox回归的，使用的是mfp包自带的数据
library(mfp)
data(GBSG)
数据中的rfst是生存时间，cens是结局变量，其他的是协变量
建立模型
fit<-coxph(Surv(rfst, cens) ~ age+tumsize+posnodal+prm+esm+menostat+tumgrad, data = GBSG,
model=TRUE)
绘图
colplot(fit)
下面咱们来个结局变量Y是多分类的逻辑回归模型，使用的是VGAMdata包自带的xs.nz数据
l
ibrary(nnet)
library(VGAMdata)
data(xs.nz)
这个数据很大，咱们提取需要的变量来组成模型
marital.nz <- xs.nz[,c("marital","sex","age","height","weight")]
mydata <- marital.nz[complete.cases(marital.nz),]
咱们可以看到结局变量marital是4分类变量
str(mydata)
建立模型
fit <- multinom(marital ~ sex + age + height + weight, data = mydata,model=TRUE)
对于多项式逻辑回归，有多个结局概率，咱们需要指定你研究的是指标
咱们先把结局的4个变量提取出来，分别是4个婚姻状态“单身”“已婚”“离婚”“寡居”
outnames=colnames(fitted(fit))
咱们单身为参考变量，绘制列线图，先生成图片的标题
labels=c(paste("Linear predictor for",outnames[-1]),paste
("Predicted chance of being",outnames))
接下来绘图，会生成多个图片，它是分成2个图片一组的，发表的时候可能需要拼一下图
colplot(fit,coloroptions=3,risklabel=labels,filename="div")
接下来是married的
接下来是widowed的
图片很多还有几张就不发上来了。
接下来咱们绘制个支持向量机分类的，使用R自带的鸢尾花数据
library(kernlab)
data(iris)
咱们把其他两种类型的花设置为other
levels(iris$Species)[levels(iris$Species)=="setosa"] <- "other"
levels(iris$Species)[levels(iris$Species)=="virginica"] <- "other"
对数据重新命名
names(iris)=c("SL","SW","PL","PW","Species")
生成模型
model <-ksvm(Species ~ ., data = iris,prob.model=TRUE,kpar=list(0.03),C=10)
对模型进行预处理，
newmodel=preplotperf(model,iris,indy=5,zerolevel="min")
绘图
colplot(newmodel,filename="IRIS2",zerolevel="min",coloroptions=5)
