Memprediksi dengan model Cox PH

Analisis Survival dengan Python

Shae Wang

Senior Data Scientist

Prediksi median waktu bertahan

Setelah memanggil .fit() untuk menyesuaikan model ke data:

.predict_median(): memprediksi median waktu bertahan untuk subjek
- Jika kurva survival tidak memotong 0,5, median = $\inf$.
Parameter:
- X: DataFrame untuk prediksi.
- conditional_after: array/daftar lamanya subjek sudah bertahan.

Prediksi median waktu bertahan

model.predict_median(X, conditional_after)

0       inf
1      44.0
2      46.0
3       inf
4      48.0
       ... 
500     inf

Prediksi fungsi survival

.predict_survival_function(): memprediksi fungsi survival berdasarkan kovariat subjek.
Parameter:
- X: DataFrame untuk prediksi.
- conditional_after: array/daftar lamanya subjek sudah bertahan.

Prediksi fungsi survival

model.predict_survival_function(X, conditional_after)

              0           1           2           3           4         ...         500
1.0    0.997616    0.993695    0.994083    0.999045    0.997626         ...    0.998865    0.997827    0.995453    0.997462    ...    0.997826    0.996005    0.996031    0.997774    0.998892    0.999184    0.997033    0.998866    0.998170    0.998610
2.0    0.995230    0.987411    0.988183    0.998089    0.995250         ...    0.997728    0.995653    0.990914    0.994922    ...    0.995649    0.992014    0.992067    0.995547    0.997782    0.998366    0.994065    0.997730    0.996337    0.997217
3.0    0.992848    0.981162    0.982314    0.997133    0.992878         ...    0.996592    0.993482    0.986392    0.992388    ...    0.993476    0.988037    0.988115    0.993324    0.996673    0.997548    0.991105    0.996595    0.994507    0.995826
4.0    0.990468    0.974941    0.976468    0.996176    0.990507         ...    0.995455    0.991311    0.981882    0.989855    ...    0.991304    0.984067    0.984171    0.991100    0.995563    0.996729    0.988147    0.995458    0.992676    0.994433
5.0    0.988085    0.968739    0.970639    0.995216    0.986392         ...    0.993476

Mengapa prediksi survival berguna?

Pencegahan kegagalan proaktif, peramalan, dll.

Langkah utama

Pramuat data dan one-hot encode variabel kategorikal.
Bagi data menjadi train dan test (umum: 80% train, 20% test).
- Proporsi data tersensor harus serupa di kedua set.
Latih model Cox PH pada train.

Ayo berlatih!

Analisis Survival dengan Python