动态危害 动态危害的目标是估计生存分析中的时变效应。 时变效应是通过状态空间模型估算的，其中状态系数遵循给定的随机游动。 使用状态空间模型的优势在于，您可以推断出最近观察到的时间段以外的时间。 有关更多详细信息，请参见ddhazard小插图。 。 粒子滤波和更平滑的方法可以比随机游走模型估计更通用的模型。 有关一些示例，请参见目录。 安装 您可以使用以下命令从github安装dynamichazard： # install.packages("remotes") remotes :: install_github( " boennecd/dynamichazard " ) 您还可以通过调用以下命令从CRAN下载该软件包： install.packages( " dynamichazard " ) 示例-ddhazard 我将使用JMbayes软件包中的aids数据集。 数据集

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

scikit-survival：基于scikit-learn的生存分析

Applied Survival Analysis Regression Modeling Of Time To Event Data

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

survival analysis modeling

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。

Survival Analysis_Techniques for Censored and Truncated Data_Book

比较统计 使用R进行统计编程