Modéliser les données de prison avec le modèle de Cox PH
Le DataFrame prison contient de l'information sur 432 détenus libérés et suivis pendant un an après leur remise en liberté. Vous avez modélisé leur temps avant arrestation et analysé quels facteurs augmentent ou réduisent le risque de ré-arrestation à l'aide du modèle Weibull AFT.
La classe CoxPHFitter de lifelines implémente un modèle de hasards proportionnels de Cox pour la régression de survie, qui modélise la fonction de hasard de base et les rapports de hasards définissant les proportions de hasards. Essayons d'utiliser CoxPHFitter pour explorer les facteurs !
Les bibliothèques pandas et numpy sont importées sous les alias pd et np. Utilisez la console pour explorer le DataFrame et le nom de ses colonnes au besoin.
Cette activité fait partie du cours
Analyse de survie en Python
Exercice interactif pratique
Essayez cet exercice en complétant ce code d’exemple.
# Import CoxPHFitter class
____
# Instantiate CoxPHFitter class cph
____