scikit-survival

Kompleksowy zestaw narzędzi do analizy przeżycia oparty na scikit-learn. Pracujesz z danymi cenzurowanymi, modelujesz czas do zdarzenia, dopasowujesz modele Cox'a, Random Survival Forests, Gradient Boosting lub Survival SVM? Ta umiejętność obsługuje całe przepływy analizy przeżycia, od preprocessingu danych przez trenowanie modeli po ewaluację za pomocą indeksu konkordancji, wyniku Brier'a czy krzywych Kaplana-Meiera. Idealna dla badaczy i analityków pracujących z danymi czasowymi i zdarzeniami częściowo obserwowanymi.

1. Zainstaluj scikit-survival w swoim środowisku Python, jeśli jeszcze tego nie zrobiłeś (np. pip install scikit-survival).
2. Przygotuj dane zawierające zmienną czasu, wskaźnik zdarzenia (event indicator) oraz zmienne objaśniające; obsługiwane są dane prawo-cenzurowane, lewo-cenzurowane i interwałowo-cenzurowane.
3. Wybierz model w zależności od Twoich potrzeb: Cox proportional hazards dla interpretacji liniowej, Random Survival Forests dla relacji nieliniowych, Gradient Boosting dla złożonych wzorców lub Survival SVM dla problemów wysokowymiarowych.
4. Dopasuj wybrany model do danych treningowych, przekazując zmienne niezależne i strukturę przeżycia (czas + event).
5. Oceń wydajność modelu za pomocą indeksu konkordancji (concordance index), wyniku Brier'a lub czasowo-zależnego AUC, aby sprawdzić jakość predykcji.
6. Jeśli analizujesz konkurujące ryzyka lub potrzebujesz wizualizacji, skorzystaj z funkcji do estymacji krzywych Kaplana-Meiera lub Nelson-Aalen'a dostępnych w bibliotece.