Analiza przeżycia w Pythonie
Shae Wang
Senior Data Scientist
lifelines)model.baseline_hazard_.plot()
plt.show()

model.baseline_survival_.plot()
plt.show()

| Obliczenie | Przykład | |
|---|---|---|
| Współczynnik | $x$ | $0.405$ |
| Współczynnik hazardu | $e^x$ | $e^{0.405}=1.5$ |
| Interpretacja hazardu | $e^x-1$ | $1.5-1 = 0.5$ -> wzrost hazardu o 50% |
| Interpretacja czasu przeżycia | $\frac{1}{e^x}-1$ | $\frac{1}{1.5}-1 = 0.67-1 = -0.23$ -> spadek czasu przeżycia o 23% |
.plot_partial_effects_on_outcome()
covariates (string lub lista): nazwa(-y) kowariant(-y) z oryginalnego zbioru danych, które chcemy zmieniać.values (iterowalny 1d lub 2d): wartości, jakie ma przyjmować kowariant.Model makowariaty A, B, C, a my chcemy zmieniać
A po wartościach 1, 2B po wartościach 3, 4model.plot_partial_effects_on_outcome(
covariates=["A","B"],
values=[[1,2],
[3,4]]
)
plt.show()

Nieprawidłowo...
Model makowariaty A, B, C, a my chcemy zmieniać
A po wartościach 1, 2B po wartościach 3, 4model.plot_partial_effects_on_outcome(
covariates=["A","B"],
values=[[1,3],
[1,4],
[2,3],
[2,4]]
)
plt.show()

Prawidłowo!
Analiza przeżycia w Pythonie