生物统计系欧春泉生存分析ppt，对生存分析的相关概念如生存曲线，cox回归，结合例子讲解透彻清晰，大力推荐

员工离职生存分析 这个项目是作为我本科生存分析课程的最终项目而创建的。 除了通常用于教学的医疗数据之外，为了在更独特的数据类型中查看生存分析，我的团队选择查看导致员工流失率的因素。 使用 Davin Wijaya 提供的 Kaggle 员工离职数据集，我们的项目确定了导致员工决定离开公司的最重要因素，以及观察到的离职人员与留在公司的人员的性格特征。 该项目将生存分析与数据科学方法相结合，因为我们使用 PCA 和层次聚类来分析员工的性格特征，并确定创造力、外向性、独立性、焦虑水平等是否可以组合为可识别的人格类型。 在确定了 5 组性格组合后，我们能够预测观察到的性格类型在面临其他外部因素时辞职的可能性有多大。 原始数据集： :

生存分析最初是由精算和医学界开发并广泛应用的。 其目的是回答为什么现在发生事件而不是后来在不确定性下发生（事件可能指死亡，疾病缓解等）。 这对于对测量寿命感兴趣的研究人员非常有用：他们可以回答诸如哪些因素可能影响死亡的问题？ 但是，除了医学和精算科学外，生存分析还有许多其他有趣而激动人心的应用。 例如： SaaS提供商对衡量订户的生存期或采取某些第一行动的时间感兴趣 库存缺货是对商品真正“需求”的审查事件。 社会学家对衡量政党的一生，人际关系或婚姻感兴趣 A / B测试可确定不同组执行一项操作需要多长时间。 lifelines是生存分析的最佳部分的纯Python实现。 记录和生存分析简

哈伯曼乳腺癌生存分析：通过检测轴突结点的数量对乳腺癌进行生存分析

使用深度学习进行生存分析 该存储库包含基于贝叶斯深度学习的文章，论文和用于生存分析的存储库。 文件 Rajesh Ranganath，Adler Perotte，David Blei等人进行的深度生存分析。 JMLR 2016 资料来源： : 生存筛选器：Rajesh Ranganath，Adler Perotte，David Blei等人的“潜在时间序列的联合生存分析”。 2015年，阿拉伯联合酋长国资料来源： : DeepSurv：使用Cox比例危害深层神经网络的个性化治疗推荐系统，作者：Jared Katzman，Uri Shaham，Jonathan Bates，Alexander Cloninger，Tingting Jiang，Yuval Kluger。 ACML 2016 资料来源： : 具有竞争风险的生存分析的深层多任务高斯过程，作者：Ahmed M. Alaa

生存分析中机器学习方法的仿真研究 在Weibull分布下或具有复杂基线风险（转折点）的情况下模拟生存时间，其中协变量对风险的线性或线性和非线性影响以及审查水平的变化。 将模拟数据集分为训练和测试数据集。 适合随机森林； 支持向量机将带有弹性网罚的Cox模型和受罚样条曲线（弹性参数）模型应用于训练数据集。 记录各种方法所需的时间。 使用训练数据集中的拟合模型预测测试数据集中的风险评分。 计算一致性指数，将测试数据集中的预测风险分数与观察到的审查状态和生存时间进行比较。

基于kaggle平台上--电信客户流失数据集，利用生存分析进行流失预测 https://www.kaggle.com/blastchar/telco-customer-churn 0 customerID 客户编号 1 gender 性别 2 SeniorCitizen 是否是老年人 3 Partner 是否单身 4 Dependents 经济是否独立 5 tenure 已使用月份数 6 PhoneService 电话业务 7 MultipleLines 多线业务 8 InternetService 网络服务业务 9 OnlineSecurity 网络安全业务 10 OnlineBackup 网络备份业务 11 DeviceProtection 设备保护业务 12 TechSupport 技术支持业务 13 StreamingTV 网络电视业务 14 StreamingMovies 网络电影业务 15 Contract 合同方式 16 PaperlessBilling 电子账单 17 PaymentMethod 支付方式 18 MonthlyCharges 月费用 19 Total

为了提高生活质量和提高癌症患者的存活率，早期治疗和检测起着至关重要的作用。 早期检测和诊断几乎可以实现 100% 的存活率，尤其是在 I 期之前或期间。 然而，在第四阶段检测到的情况下，存活率低至 30%。 对促进早期检测的追求为机器学习技术的发展铺平了道路，并为应对癌症的大数据而出现。 本文研究了已应用于癌症早期检测的机器学习 (ML) 预测模型，并提供了与它们相关的一些优点和缺点。 从目前大多数文献中记录的结果来看，ML 技术在癌症的预测和分类准确性方面取得了显着的进步。 这意味着在未来，医疗保健系统应该将各种 ML 技术与多维异构数据相结合，以产生关于癌症预测和分类的更准确的结果。

泰坦尼克号乘客生存分析实战

泰坦尼克号深度生存分析：使用Pandas，Matplotlib，Seaborn库来分析，可视化和探索乘坐泰坦尼克号旅行的人的数据，并使用Scikit学习建模算法来预测其生存的可能性