2.1 GBM估计倾向评分的非线性特点

    根据GBM估计的过程，算法迭代直到7 322次时使得K-S统计量达到最小。算法自动的根据57个协变量对模型对数似然度整体改善的贡献，来测量并排序每个协变量对处理分配的重要程度。可以用偏依赖图(partial dependence plots)^[17]来探索每个变量的边际分布。当对其他56个协变量分布边际积分以后，患者被分配到“用疏血通”组的对数优势比与每个协变量之间的关系为非线性的，见图1。这种非线性体现了GBM方法的优势。而且，从图1可以直观看出，在对其他协变量边际化后，使用奥拉西坦或入院病情危险等患者被分配到“用疏血通”组的可能性更大。

    D102.奥拉西坦；V18.入院病情(1.缺失，2.急，3.危，4.一般)；V12.住院科室(1.缺失，2.CCU，3.ICU，4.儿科，5.耳鼻喉科，6.放射治疗科，7.风湿病科，8.干部病房，9.骨科，10.呼吸内科，11.急诊科，12.老年病科，13.理疗科，14.内分泌科，15.其他科室，16.神经科，17.肾脏病科，18.外科，19.消化内科，20.心血管内科 ...... 濡傛灉鎮ㄥ湪浣跨敤鎵嬫満绛夋祦瑙堟椂鏃犳硶鏌ョ湅鎴栦笅杞藉叏鏂囷紝鍙兘鏄鎼滅储寮曟搸澶辩湡鈥滆浆鐮佲€濓紝璇风偣鍑诲睆骞曟渶涓嬫柟鐨勨€滅數鑴戠増鈥濇垨鈥滃師缃戦〉鈥濊闂€�


闄愪簬鏈嶅姟鍣ㄥ帇鍔涳紝缃戠珯閮ㄥ垎淇℃伅鍙緵鐖卞績浼氬憳鎴栨湁涓€瀹氱Н鍒嗙殑娉ㄥ唽浼氬憳娴佽銆�
姝�淇℃伅闇€瑕� 1 绉垎锛堝厤璐规敞鍐岀櫥褰曞悗姣忓ぉ鍙互棰嗗彇10涓Н鍒�锛夈€�
    淇℃伅浠呬緵鍙傝€冿紝涓嶆瀯鎴愪换浣曚箣寤鸿銆佹帹鑽愭垨鎸囧紩銆傛枃绔犵増鏉冨睘浜庡師钁椾綔鏉冧汉锛岃嫢鎮ㄨ涓烘鏂囦笉瀹滆鏀跺綍渚涘ぇ瀹跺厤璐归槄璇伙紝璇烽偖浠舵垨鐢佃瘽閫氱煡鎴戜滑锛屾垜浠敹鍒伴€氱煡鍚庯紝浼氱珛鍗冲皢鎮ㄧ殑浣滃搧浠庢湰缃戠珯鍒犻櫎銆�

寰俊鏂囩珷  鍏虫敞鐧炬媷  璇勮鍑犲彞  鎼滅储鏇村