Visualisation et prédiction avec le modèle de Weibull

Analyse de survie en Python

Shae Wang

Senior Data Scientist

.plot()

Renvoie un graphique des coefficients et de leurs étendues selon les intervalles de confiance à 95 %.

aft.plot()
plt.show()

Exemple de graphique :

exemple_de_graphique_des_covariables

Renvoie un graphique comparant la courbe de survie de base à celles obtenues lorsque les covariables varient.

aft.plot_partial_effects_on_outcome(covariates, values)
plt.show()

exemple_de_graphique_des_effets_partiels

.plot_partial_effects_on_outcome()

covariates (chaîne ou liste) : covariable(s) du jeu de données d'origine à faire varier.
values (itérable 1d ou 2d) : valeurs à donner à la ou aux covariables.
Courbe de survie de base : courbe prédite aux valeurs moyennes du jeu de données d'origine.

aft.plot_partial_effects_on_outcome(
  covariates='var', 
  values=[0, 3, 6, 9, 12, 15]
)
plt.show()

graphique des effets partiels pour le modèle de Weibull

Valeurs codées en dur :

aft.plot_partial_effects_on_outcome(
  covariates='a', 
  values=[0, 3, 6]
)

Utiliser une fonction d'intervalle :

aft.plot_partial_effects_on_outcome(
  covariates='a', 
  values=np.arange(10)
)

Covariables multiples :

aft.plot_partial_effects_on_outcome(
  covariates=['a','b'], 
  values=[[1,2],[1,3],[2,3]]
)

Formule personnalisée :
- Les transformations nécessaires (interactions, one-hot encoding, etc.) sont effectuées en interne automatiquement.

Exemple de DataFrame : mortgage_df

id	house	principal	interest	property_tax	credit score	duration	paid_off
1	1	1275	0.035	0.019	780	25	0
2	0	756	0.028	0.020	695	17	1
3	0	968	0.029	0.017	810	5	0
...	...	...	...	...	...	...	...
1000	1	1505	0.041	0.023	750	30	1

aft.plot_partial_effects_on_outcome(
    covariates='credit score',
    values=np.arange(700, 860, 30)
)
plt.show()

graphique des effets partiels pour mortgage_df

Prédire les fonctions de survie d'individus à partir des covariables.

.predict_survival_function()

Arguments :

X (tableau np ou DataFrame) : covariables. Si DataFrame, l'ordre des colonnes est indifférent.

Prédire les durées médianes de survie d'individus à partir des covariables.

.predict_median()

Arguments :

df (tableau np ou DataFrame) : covariables. Si DataFrame, l'ordre des colonnes est indifférent.

Prédire la fonction de survie ou la durée médiane conditionnellement après la durée courante.

Exemple :

aft.predict_median(new_subject)

4.0

aft.predict_median(new_subject, conditional_after=[2])

2.0

Analyse de survie en Python