survsvm.reg <- survivalsvm(Surv(month, OS) ~ ., data = train, type = "regression", gamma.mu = 1, opt.meth = "quadprog", kernel = "add_kernel") var_imp <- coef(survsvm.reg) var_imp> var_imp NULL

根据你提供的代码，我发现你在使用survivalsvm函数时，设置了type参数为"regression"，这意味着你正在运行一个生存回归模型而不是生存分类模型。因此，你不能使用coef函数来提取变量的重要性。在生存回归模型中，通常使用类似于Cox比例风险模型中的系数来表示每个变量的影响。你可以尝试使用summary函数来查看生存回归模型的系数，例如：

summary(survsvm.reg)

这将提供有关每个变量的系数、标准误差和置信区间的信息。请注意，survivalsvm函数使用的是支持向量机算法，因此得到的系数可能与传统的Cox比例风险模型中的系数略有不同。

相关问题

R语言针对这个代码survsvm.reg <- survivalsvm(Surv(month, OS) ~ ., data = train, type = "regression", gamma.mu = 1, opt.meth = "quadprog", kernel = "add_kernel")，如何获取brier score

要获取survsvm.reg模型的Brier Score，可以使用以下代码：

1.首先，使用 predict() 函数来预测模型在测试集上的生存概率：

test.surv.prob <- predict(survsvm.reg, newdata = test, type = "prob")

2.然后，将得到的生存概率与实际观察结果进行比较，计算Brier Score：

library(survival)
brier.score <- survConcordanceMS(test$OS, test.surv.prob[,2], test$month)$concordance[1]

其中，`survConcordanceMS()` 函数用于计算Brier Score，第一个参数为实际观测时间，第二个参数为生存概率，第三个参数为观测时间。`test.surv.prob[,2]` 表示生存概率的第二列，即生存的概率。最后，用 `$concordance[1]` 提取Brier Score的值。

fit <- coxph(Surv(OS.time,OS) ~ ., data = my.cli.2) # 查看回归系数和显著性检验结果 summary(fit)##结果变成data frame

在这段代码中，使用了coxph()函数拟合了一个Cox回归模型，并将结果保存在fit对象中。其中，Surv()函数表示生存数据的格式，OS.time表示生存时间，OS表示是否事件发生（1表示事件发生，0表示未发生），~.表示使用所有其他变量拟合模型。data参数表示使用的数据集，这里是my.cli.2。最后，使用summary()函数查看回归系数和显著性检验结果，结果会以数据框（data frame）的形式呈现。