scikit-survival
Comprehensive toolkit for survival analysis and time-to-event modeling in Python using scikit-survival. Use this skill when working with censored survival data, performing time-to-event analysis, fitting Cox models, Random Survival Forests, Gradient Boosting models, or Survival
Installation
Pick a client and clone the repository into its skills directory.
Installation
About this skill
Comprehensive toolkit for survival analysis and time-to-event modeling in Python using scikit-survival. Use this skill when working with censored survival data, performing time-to-event analysis, fitting Cox models, Random Survival Forests, Gradient Boosting models, or Survival SVMs, evaluating survival predictions with concordance index or Brier score, handling competing risks, or implementing any survival analysis workflow with the scikit-survival library.
How to use
- Zainstaluj scikit-survival w swoim środowisku Python, jeśli jeszcze tego nie zrobiłeś (np. pip install scikit-survival).
- Przygotuj dane zawierające zmienną czasu, wskaźnik zdarzenia (event indicator) oraz zmienne objaśniające; obsługiwane są dane prawo-cenzurowane, lewo-cenzurowane i interwałowo-cenzurowane.
- 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.
- Dopasuj wybrany model do danych treningowych, przekazując zmienne niezależne i strukturę przeżycia (czas + event).
- Oceń wydajność modelu za pomocą indeksu konkordancji (concordance index), wyniku Brier'a lub czasowo-zależnego AUC, aby sprawdzić jakość predykcji.
- Jeśli analizujesz konkurujące ryzyka lub potrzebujesz wizualizacji, skorzystaj z funkcji do estymacji krzywych Kaplana-Meiera lub Nelson-Aalen'a dostępnych w bibliotece.