Cox PH मॉडल से प्रेडिक्ट करना

Python में Survival Analysis

Shae Wang

Senior Data Scientist

Median survival times प्रेडिक्ट करें

.fit() चलाकर मॉडल को डेटा पर फिट करने के बाद:

.predict_median(): विषयों {{1}} के लिए median lifetime प्रेडिक्ट करता है।
- अगर survival curve 0.5 को पार नहीं करती, तो median survival time $\inf$ होता है।
Parameters:
- X: प्रेडिक्शन के लिए इस्तेमाल होने वाला DataFrame.
- conditional_after: ऐसे मानों की array या list जो बताए कि विषय पहले से कितने समय तक जीवित रहे हैं।

Median survival times प्रेडिक्ट करें

model.predict_median(X, conditional_after)

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

Survival function प्रेडिक्ट करें

.predict_survival_function(): दिए गए covariates के आधार पर subjects के लिए survival function प्रेडिक्ट करता है।
Parameters:
- X: प्रेडिक्शन के लिए इस्तेमाल होने वाला DataFrame.
- conditional_after: ऐसे मानों की array या list जो बताए कि विषय पहले से कितने समय तक जीवित रहे हैं।

Survival function प्रेडिक्ट करें

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

Survival प्रेडिक्शन उपयोगी क्यों हैं?

Proactive failure prevention, forecasting models, आदि।

Key steps

डेटा को preprocess करें और किसी भी categorical variables को one-hot encode करें।
डेटा को train और test में बाँटें (आम split: 80% train, 20% test).
- दोनों सेट में censored डेटा का अनुपात समान होना चाहिए।
Cox PH मॉडल को train पर फिट करें।

अभ्यास करते हैं!

Python में Survival Analysis