Прогнозування за моделлю Кокса PH

Аналіз виживаності в Python

Shae Wang

Senior Data Scientist

Прогноз медіанного часу виживання

Після виклику .fit() для навчання моделі на даних:

.predict_median(): прогнозує медіанний час життя для об'єктів
- Якщо крива виживання не перетинає 0,5, медіанний час виживання дорівнює $\inf$.
Параметри:
- X: DataFrame для прогнозування.
- conditional_after: масив або список значень, що показують, скільки об'єкти вже прожили.

Прогноз медіанного часу виживання

model.predict_median(X, conditional_after)

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

Прогноз функції виживання

.predict_survival_function(): прогнозує функцію виживання для об'єктів з урахуванням їхніх коваріат.
Параметри:
- X: DataFrame для прогнозування.
- conditional_after: масив або список значень, що показують, скільки об'єкти вже прожили.

Прогноз функції виживання

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

Навіщо потрібні прогнози виживання?

Проактивне запобігання відмовам, прогностичні моделі тощо.

Ключові кроки

Попередньо обробіть дані та закодуйте категоріальні змінні one-hot.
Розбийте дані на train і test (типово 80% train і 20% test).
- Частка цензурованих спостережень має бути подібною в обох наборах.
Навчіть модель Кокса PH на train.

Давайте потренуємось!

Аналіз виживаності в Python