Predikce s modelem Cox PH

Survival Analysis in Python

Shae Wang

Senior Data Scientist

Predikce střední doby přežití

Po zavolání .fit() pro přizpůsobení modelu datům:

.predict_median(): predikuje střední dobu přežití subjektů
- Pokud křivka přežití neklesne pod 0,5, je střední doba přežití $\inf$.
Parametry:
- X: DataFrame použitý pro predikci.
- conditional_after: pole nebo seznam hodnot udávajících, jak dlouho již subjekty žily.

Predikce střední doby přežití

model.predict_median(X, conditional_after)

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

Predikce funkce přežití

.predict_survival_function(): predikuje funkci přežití subjektů na základě jejich kovariát.
Parametry:
- X: DataFrame použitý pro predikci.
- conditional_after: pole nebo seznam hodnot udávajících, jak dlouho již subjekty žily.

Predikce funkce přežití

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

Proč jsou predikce přežití užitečné?

Proaktivní prevence selhání, prognózní modely atd.

Klíčové kroky

Předzpracujte data a zakódujte kategorické proměnné pomocí one-hot kódování.
Rozdělte data na trénovací a testovací sadu (obvyklý poměr 80 % / 20 %).
- Podíl cenzorovaných dat by měl být v obou sadách podobný.
Přizpůsobte model Cox PH trénovacím datům.

Pojďme si procvičit!

Survival Analysis in Python