Modéliser les données de prison avec le modèle de Cox PH

Le DataFrame prison contient des informations sur 432 condamnés libérés, suivis pendant un an après leur sortie. Vous avez modélisé leur temps jusqu’à l’arrestation et étudié quels facteurs augmentent ou diminuent leur risque de ré-arrestation avec le modèle Weibull AFT.

La classe CoxPHFitter de lifelines implémente un modèle de risques proportionnels de Cox pour la régression de survie, qui modélise la fonction de risque de base et les rapports de risques définissant les proportions de risque. Essayons d’utiliser CoxPHFitter pour explorer ces facteurs !

Les bibliothèques pandas et numpy sont importées respectivement sous les alias pd et np. Utilisez la console pour explorer le DataFrame et les noms de ses colonnes si besoin.