Gefängnisdaten mit Cox-Regression modellieren
Der DataFrame prison enthält Informationen von 432 Strafgefangenen, die entlassen wurden und ein Jahr lang nach der Entlassung weiterverfolgt wurden. Du hast ihre Zeit bis zur Verhaftung modelliert und untersucht, welche Faktoren das Risiko einer erneuten Verhaftung erhöhen oder verringern, indem du das Weibull-AFT-Modell verwendet hast.
CoxPHFitter-Klasse von lifelines implementiert ein Cox-Regressionsmodell für die Überlebensregression, das die Basis-Hazard-Funktion und Hazard-Ratios modelliert, die die Hazard-Proportionen definieren. Versuchen wir, mit CoxPHFitter die Faktoren zu erkunden!
Die Bibliotheken pandas und numpy werden als pd bzw. np importiert. Verwende die Konsole, um den DataFrame und seine Spaltennamen nach Bedarf zu untersuchen.
Diese Übung ist Teil des Kurses
<Kurs>Überlebenszeitanalyse in Python</Kurs>Interaktive praktische Übung
Versuche dich an dieser Übung, indem du diesen Beispielcode vervollständigst.
# Import CoxPHFitter class
____
# Instantiate CoxPHFitter class cph
____