sebp/scikit-survival

Survival analysis built on top of scikit-learn

解決的問題

提供生存分析（又稱時間-事件分析或可靠性分析）的工具，用於建立共變數與事件發生時間之間的關聯。與傳統機器學習不同，它特別處理「刪失資料」——即某些事件尚未發生或在研究期間未被觀測到的資料。

工作原理

建構於 scikit-learn 之上，該套件將生存分析模型無縫整合至熟悉的機器學習流程中。這讓使用者能利用 scikit-learn 已有的資料預處理與交叉驗證功能，同時應用能處理刪失觀測的專用模型。

適用對象

需要分析包含刪失記錄的時間-事件資料的資料科學家與研究人員，特別是在臨床研究或可靠性工程領域。

主要特色

  • 基於 scikit-learn，可與機器學習流程無縫整合。
  • 專門設計用於處理右刪失資料。
  • 提供多種生存分析模型以及用於預處理與交叉驗證的工具。

相關

  • 專案
    skforecast/skforecast

    一個整合 scikit-learn 相容模型、統計方法與基礎模型的統一 API 時間序列預測 Python 庫。

  • 專案
    tslearn-team/tslearn

    tslearn 是一個 Python 函式庫，它將 scikit-learn 風格的機器學習工具引入時序數據，提供預處理、分類、聚類、回歸和相似性度量，且全部與標準 scikit-learn 流水線相容。

  • 專案
    sktime/skpro

    一個用於監督式機率預測的 Python 函式庫，提供與 scikit-learn 相容的介面，用於預測區間、分位數和機率分佈。

  • 專案
    sktime/sktime

    一個為時間序列分析提供統一介面的 Python 函式庫，包括預測、分類和異常檢測，並與 scikit-learn 生態系統相容。

  • 專案
    feature-engine/feature_engine

    一個 Python 套件，提供與 Scikit-learn 相容的轉換器，用於全面的特徵工程與選擇，以提升機器學習模型效能。