Wizualizacja i prognozowanie modelem Weibulla

Analiza przeżycia w Pythonie

Shae Wang

Senior Data Scientist

.plot()

Zwraca wykres współczynników z przedziałami 95% ufności.

aft.plot()
plt.show()

Przykładowy wykres:

przykładowy_wykres_kowariancji

Zwraca wykres porównujący bazową krzywą przeżycia z krzywymi dla różnych wartości kowariancji.

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

przykładowy_wykres_efektów_cząstkowych

.plot_partial_effects_on_outcome()

covariates (string lub lista): kowariancja(-e) z oryginalnego zbioru danych do zmieniania.
values (iterowalny 1d lub 2d): wartości przyjmowane przez kowariancję.
Bazowa krzywa przeżycia: prognozowana krzywa dla średnich wartości z oryginalnego zbioru danych.

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

wykres efektów cząstkowych dla modelu Weibulla

Wartości zakodowane na stałe:

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

Użycie funkcji zakresu:

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

Wiele kowariancji:

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

Własna formuła:
- Niezbędne przekształcenia (interakcje, kodowanie one-hot itp.) są wykonywane wewnętrznie i automatycznie.

Przykład 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()

wykres efektów cząstkowych dla mortgage_df

Prognozuje funkcje przeżycia dla osób na podstawie wartości kowariancji.

.predict_survival_function()

Argumenty:

X (tablica np lub DataFrame): kowariancje. Kolumny DataFrame mogą być w dowolnej kolejności.

Prognozuje medianę czasu przeżycia dla osób na podstawie wartości kowariancji.

.predict_median()

Argumenty:

df (tablica np lub DataFrame): kowariancje. Kolumny DataFrame mogą być w dowolnej kolejności.

Prognozuje funkcję przeżycia lub medianę czasu przeżycia warunkowo po bieżącym czasie trwania.

Przykład:

aft.predict_median(new_subject)

4.0

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

2.0

Analiza przeżycia w Pythonie