之前的代码基于R语言编写，有许多不完善的地方，此次版本基于python构建模型，包含变量选择，网格参数寻优，变量重要性，模型的ROC曲线，校准曲线，DCA曲线，PR曲线，以及模型的评价表格，SHAP解释。4.模型评价包含多模型的ROC曲线、DCA曲线、校准曲线，计算模型的准确度，灵敏性（召回率），特异性，精确度，F1分数计算。整套课程，代码分析包含了SCI的机器学习的正常分析流程，并包含了使用的示

小庞统计生存机器学习3.0版本综合生存机器学习模型构建服务支持Nomogram模型图绘制、基线表制作Lasso变量筛选多种生存机器学习模型：随机生存森林RSF、生存GBM、生存Xgboost、生存支持向量机Survivalsvm、CoxBoost、plscox、superPC等模型性能评估：ROC、CoxBoot、校准曲线、DCA、AUC、C指数等变量重要性分析、预测模型、风险分层、Nomogra

基于随机生存森林模型模型的VIMP法和最小深度法筛选高维变量筛选，并进行建模。

小庞统计——R语言二分类机器学习预测模型结合SHAP解释3.0网页制作附带教学课程发布

此处，会有歧义，谈谈个人见解，此种解释并非因果关系，与Logistic回归的OR值有区别，此种解释不是因果解释，我们不能因为预测变量shap值贡献大，而认为这个变量是结局变量的危险因素。但是R的SHAP解释，目前应用的包是shapviz，这个包仅能对Xgboost、LightGBM以及H2O模型进行解释，其余的机器学习模型并不适用。这里图片的背景是灰色的，这里的函数均是基于ggplot2绘制的，因

新版TCGA转录组数据整理——R语言（傻瓜式代码）

此处，会有歧义，谈谈个人见解，此种解释并非因果关系，与Logistic回归的OR值有区别，此种解释不是因果解释，我们不能因为预测变量shap值贡献大，而认为这个变量是结局变量的危险因素。但是R的SHAP解释，目前应用的包是shapviz，这个包仅能对Xgboost、LightGBM以及H2O模型进行解释，其余的机器学习模型并不适用。这里图片的背景是灰色的，这里的函数均是基于ggplot2绘制的，因

病理学WSI组织学图像的分割

随机生存森林在生存数据中的应用

此处，会有歧义，谈谈个人见解，此种解释并非因果关系，与Logistic回归的OR值有区别，此种解释不是因果解释，我们不能因为预测变量shap值贡献大，而认为这个变量是结局变量的危险因素。但是R的SHAP解释，目前应用的包是shapviz，这个包仅能对Xgboost、LightGBM以及H2O模型进行解释，其余的机器学习模型并不适用。这里图片的背景是灰色的，这里的函数均是基于ggplot2绘制的，因