R语言中对于生存模型（Surv（times，status）），GBM模型的布里尔得分或者综合布里尔得分的代码和全部详解，需要可求出的，不能不可应用

布里尔分数（Brier score）是衡量预测模型精度的常用指标之一，它可以用来评价生存模型的预测能力。在R语言中，我们可以通过survival包中的函数来计算生存模型的布里尔得分或综合布里尔得分。

首先我们需要加载survival包：

library(survival)

然后我们可以使用`survfit()`函数来拟合生存曲线模型。这个函数的第一个参数是一个生存对象，它由Surv()函数生成。在Surv()函数中，我们需要传入两个参数：时间和状态，也就是生存时间和是否发生事件（比如死亡或治愈）。例如：

surv_obj <- Surv(times, status)

其中`times`是一个向量，表示生存时间；`status`是一个向量，表示是否发生事件，1表示发生，0表示未发生。

接下来，我们可以使用`gbm()`函数来拟合GBM模型。`gbm()`函数可以设置很多参数，包括学习率、树的数量、树的深度等等。例如：

library(gbm)

gbm_model <- gbm(
  formula = surv_obj ~ .,
  distribution = "coxph",
  data = data,
  n.trees = 100,
  interaction.depth = 3,
  shrinkage = 0.01,
  cv.folds = 5,
  verbose = TRUE
)

其中，`formula`参数指定了模型公式，这里使用了`surv_obj`作为因变量，其他变量作为自变量；`distribution`参数指定了分布类型，这里使用了Cox比例风险模型；`data`参数指定了数据集；`n.trees`参数指定了树的数量；`interaction.depth`参数指定了树的深度；`shrinkage`参数指定了学习率；`cv.folds`参数指定了交叉验证折数；`verbose`参数指定了是否输出详细信息。

接下来，我们可以使用`predict()`函数来进行生存时间的预测。例如：

pred <- predict(gbm_model, newdata = data, type = "response")

其中，`newdata`参数指定了新数据集，这里使用了原始数据集；`type`参数指定了预测类型，这里使用了“response”。

最后，我们可以使用`survivalROC()`函数来计算综合布里尔得分。例如：

bs <- survivalROC(pred, data$times, data$status, plotit = FALSE, method = "average")
bs

其中，`survivalROC()`函数的第一个参数是预测值，第二个参数是生存时间，第三个参数是状态；`plotit`参数指定了是否绘制ROC曲线；`method`参数指定了计算方法，这里使用了平均方法。

注意，以上代码中的`data`是一个数据框，包含了所有的自变量和因变量。在实际应用中，需要根据具体的数据情况进行修改。