版权声明：本文为博主原创文章，未经博主允许不得转载。 https://blog.csdn.net/Onedimension/article/detail
2022-05-27 17:38:18
109.25MB
1
TFDeepSurv
通过张量流实现Deep Cox比例风险模型和生存分析。
建议的TensorFlow版本为1.15.3。 并且模块测试在TensorFlow-1.15.3下通过了。
注意： 已发布。 旧版本位于分支archive_v1 。 与v1.0版本相比，当前版本有了很大的改进：
建立计算图的速度
利用原始的tensorflow操作来计算损失函数（用于处理关系）
生存数据的统一格式
代码优雅而简单
如果您有任何问题，请先阅读以下常见问题解答，或直接发送电子邮件给我。
1.与DeepSurv的区别
是Deep Cox比例风险模型的软件包，在Github上开源。 但是我们的作品可能会发光：
在您的生存数据中支持死亡时间的联系，这意味着不同的损失函数和生存函数的估计量（ Breslow近似）。
提供生存函数估计。
使用科学方法-贝叶斯超参数优化来调整DNN的超参数。
通
2022-05-06 17:20:03
264KB
1
AML survival.sav
统计分析及模型构建中常用的数据集、使用数据集可以对模型和算法进行快速验证，而且如果能够得到经典测试数据有助于我们复现大佬（巨佬）们提供的算法模型、达到实战联系的目的、真正从原理上开启数据分析、而不是纸上谈兵；
纽约时报的一篇文章报道，数据科学家在挖掘出有价值的“金块”之前要花费50%到80%的时间在很多诸如收集数据和准备不规则的数据的普通任务上。混乱的数据是数据科学家工作流中典型的比较耗费时间的。
常用的数据集可以帮助我们快速实验模型算法，因为他们都是被处理过的优质数据；
2022-05-02 11:07:14
768B
1
Breast cancer survival.sav
统计分析及模型构建中常用的数据集、使用数据集可以对模型和算法进行快速验证，而且如果能够得到经典测试数据有助于我们复现大佬（巨佬）们提供的算法模型、达到实战联系的目的、真正从原理上开启数据分析、而不是纸上谈兵；
纽约时报的一篇文章报道，数据科学家在挖掘出有价值的“金块”之前要花费50%到80%的时间在很多诸如收集数据和准备不规则的数据的普通任务上。混乱的数据是数据科学家工作流中典型的比较耗费时间的。
常用的数据集可以帮助我们快速实验模型算法，因为他们都是被处理过的优质数据；
2022-05-02 11:07:03
38KB
1
scikit-survival：基于scikit-learn的生存分析
2022-04-26 16:08:55
1.55MB
1
By Matthew S. Gast, the latest book about 802.11ac
2022-03-06 11:11:26
4.4MB
1
Applied Survival Analysis Regression Modeling Of Time To Event Data
2022-03-05 10:14:55
11.95MB
1
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
2022-03-03 15:54:06
9.77MB
1