scikit-survival

# scikit-survival: Python 中的生存分析 ## 概述 scikit-survival 是一个基于 scikit-learn 构建的 Python 生存分析库。它提供了用于事件发生时间分析的专业工具，能够处理删失数据这一独特挑战，即部分观测结果仅为部分已知。 生存分析旨在建立协变量与事件发生时间之间的联系，同时考虑删失记录（特别是来自研究中参与者在观察期间未经历事件的右删失数据）。 ## 何时使用此技能 在以下情况使用此技能： - 执行生存分析或事件发生时间建模 - 处理删失数据（右删失、左删失或区间删失） - 拟合 Cox 比例风险模型（标准或惩罚项） - 构建集成生存模型（随机生存森林、梯度提升） - 训练生存支持向量机 - 评估生存模型性能（一致性指数、Brier 分数、随时间变化的 AUC） - 估计 Kaplan-Meier 或 Nelson-Aalen 曲线 - 分析竞争风险 - 预处理生存数据或处理生存数据集中的缺失值 - 使用 scikit-survival 库进行任何分析 ## 核心能力 ### 1. 模型类型与选择 scikit-survival 提供了多种模型系列，每种都适用于不同的场景： #### Cox 比例风险模型 **适用场景**：具有可解释系数的标准生存分析 - `CoxPHSurvivalAnalysis`: 基础 Cox 模型 - `CoxnetSurvivalAnalysis`: 带有弹性网络惩罚的 Cox 模型，适用于高维数据 - `IPCRidge`: 用于加速失效时间模型的岭回归 **参考**：查看 `references/cox-models.md` 获取关于 Cox 模型、正则化和解释的详细指南 #### 集成方法 **适用场景**：具有复杂非线性关系的高预测性能需求 - `RandomSurvivalForest`: 稳健的非参数集成方法 - `GradientBoostingSurvivalAnalysis`: 基于树的提升算法，以获得最大性能 - `ComponentwiseGradientBoostingSurvivalAnalysis`: 带有特征选择的线性提升算法 - `ExtraSurvivalTrees`: 极度随机树，用于额外的正则化 **参考**：查看 `references/ensemble-models.md` 获取关于集成方法、超参数调优以及何时使用每种模型的综合指南 #### 生存支持向量机 **适用场景**：基于边际学习的中等规模数据集 - `FastSurvivalSVM`: 针对性能优化的线性 SVM