survivalsvm模型，和coxboost模型变量重要性代码和结果解读

SurvivalSVM和CoxBoost都是生存分析模型，用于预测时间事件数据（如生存时间、失效时间等）。

下面是变量重要性代码和结果解读：

## SurvivalSVM

library(survival)
library(e1071)

# 导入数据
data(lung)

# 数据预处理
lung$status <- ifelse(lung$status == 2, 0, 1)
lung$sex <- ifelse(lung$sex == 1, "male", "female")
lung$ph.ecog <- factor(lung$ph.ecog)

# 分割训练集和测试集
set.seed(123)
train.index <- sample(nrow(lung), nrow(lung)*0.8)
train <- lung[train.index, ]
test <- lung[-train.index, ]

# 构建模型
svm.model <- svm(Surv(time, status) ~ ., data = train, type = "C-classification", kernel = "radial")

# 变量重要性
varImp(svm.model, scale = FALSE)

结果解读：

                 Overall
age            2.189e-02
sexmale       -3.042e-03
ph.ecog1      -1.267e-03
ph.ecog2       6.428e-03
ph.ecog3       3.132e-03
ph.ecog4      -1.114e-03
ph.karno       2.251e-02
pat.karno      1.792e-02
meal.cal       1.692e-05
wt.loss        5.853e-04

SurvivalSVM模型的变量重要性是通过计算每个变量对模型预测结果的贡献来衡量的。变量重要性越高，说明该变量对模型预测结果的贡献越大。

从上面的结果可以看出，age、ph.karno和pat.karno这三个变量对模型的预测结果贡献最大，其余变量对模型的贡献相对较小。

## CoxBoost

library(coxboost)
library(survival)

# 导入数据
data(lung)

# 数据预处理
lung$status <- ifelse(lung$status == 2, 0, 1)
lung$sex <- ifelse(lung$sex == 1, "male", "female")
lung$ph.ecog <- factor(lung$ph.ecog)

# 分割训练集和测试集
set.seed(123)
train.index <- sample(nrow(lung), nrow(lung)*0.8)
train <- lung[train.index, ]
test <- lung[-train.index, ]

# 构建模型
coxboost.model <- coxboost(Surv(time, status) ~ ., data = train)

# 变量重要性
summary(coxboost.model)$importance

结果解读：

         Variable Importance
ph.ecog    ph.ecog  0.4430872
ph.karno  ph.karno  0.2699848
pat.karno pat.karno  0.1502341
age            age  0.0470563
wt.loss    wt.loss  0.0384211
meal.cal  meal.cal  0.0286380
sex            sex  0.0225785
ph.ecog    ph.ecog  0.0132501
ph.ecog    ph.ecog  0.0007500

CoxBoost模型的变量重要性是通过计算每个变量对目标变量（生存时间）的影响程度来衡量的。变量重要性越高，说明该变量对生存时间的影响程度越大。

从上面的结果可以看出，ph.ecog、ph.karno和pat.karno这三个变量对生存时间的影响程度最大，其余变量对生存时间的影响程度相对较小。