用立方样条联合SHAP分析在危险因素鉴定中的作用
1. SHAP分析告诉我们变量之间的关系
SHAP分析计算的SHAP值代表了某变量对于结局指标的贡献，代表了相关性的趋势，SHAP分析中的散点图是对以上关系的可视化，从中我们可以直观看到随着变量值的变化，其对结局指标的贡献。如下图，从中可以看到变量之间的关系不是直线关系，但是，如何描述这种关系就是一个问题，比如，曲线的拐点在哪里？等等。因为这变量之间的关系往往是曲线关系，而拟合曲线关系是立方样条回归的强项。
2.立方样条回归拟合和可视化
对于曲线的拟合过程，包括检查是不是曲线，还要给出拐点，最终对变量之间的关系给出更加详细的解释。最重要的R包是rms，可以对线性回归、逻辑回归和cox回归等进行拟合，可视化则用的是ggrcs包。
3. 两者是不是一个很好的组合？
SHAP分析的作用是发现。通过便捷的操作发现预测变量和结局变量之间的关系，在没有SHAP分析之前，我们不容易发现变量之间的关系，需要通过繁琐的步骤，不断地尝试，来探索变量之间的关系。
样条回归的作用是描述。样条回归有特点也是可以拟合某个变量的非线性趋势，而不是整体评估多个变量对结局指标的贡献。通过SHAP分析我们大概知道变量之间的关系是不是曲线，有几个拐点，但是并不确切，样条回归有助于确切的指出以上的参数，最终使我们可以确切地指出变量之间的关系，最终让我们对于变量之间的关系有了更多的认识。
所以，个人认为两者是一个不错的组合，说明了一些以前我们不容易说明的问题。这个组合结合之前的Boruta变量筛选过程，我们可以实现一个快捷、准确的变量鉴定流程。
