• 功能介绍
  • 参数说明
  • 脚本示例
    • 脚本代码
    • 脚本运行结果
      • 模型结果
      • 预测结果

    功能介绍

    在生存分析领域，加速失效时间模型(accelerated failure time model,AFT 模型)可以作为比例风险模型的替代模型。AFT模型将线性回归模型的建模方法引人到生存分析的领域， 将生存时间的对数作为反应变量，研究多协变量与对数生存时间之间的回归关系，在形式上，模型与一般的线性回归模型相似。对回归系数的解释也与一般的线性回归模型相似，较之Cox模型， AFT模型对分析结果的解释更加简单、直观且易于理解，并且可以预测个体的生存时间。

    参数说明

    名称 中文名称 描述 类型 是否必须？ 默认值
    quantileProbabilities 分位数概率数组 分位数概率数组 double[] [0.01,0.05,0.1,0.25,0.5,0.75,0.9,0.95,0.99]
    reservedCols 算法保留列名 算法保留列 String[] null
    predictionCol 预测结果列名 预测结果列名 String ✓
    vectorCol 向量列名 向量列对应的列名，默认值是null String null
    predictionDetailCol 预测详细信息列名 预测详细信息列名 String

    脚本示例

    脚本代码

    1. data = np.array([[1.218, 1.0, "1.560,-0.605"],\
    2. [2.949, 0.0, "0.346,2.158"],\
    3. [3.627, 0.0, "1.380,0.231"],\
    4. [0.273, 1.0, "0.520,1.151"],\
    5. [4.199, 0.0, "0.795,-0.226"]])
    6. df = pd.DataFrame({"label":data[:,0], "censor":data[:,1],"features":data[:,2]})
    7. data = dataframeToOperator(df, schemaStr="label double, censor double, features string",op_type="batch")
    8. dataStream = dataframeToOperator(df, schemaStr="label double, feature double",op_type="stream")
    9. trainOp = AftSurvivalRegTrainBatchOp()\
    10.                 .setVectorCol("features")\
    11.                     .setLabelCol("label")\
    12.                 .setCensorCol("censor")
    13. model = trainOp.linkFrom(data)
    14. predictOp = AftSurvivalRegPredictStreamOp(model).setPredictionCol("pred")
    15. res = predictOp.linkFrom(dataStream)
    16. res.print()
    17. StreamOperator.execute()

    脚本运行结果

    模型结果
    model_id model_info label_value
    0 {“hasInterceptItem”:”true”,”vectorCol”:”\”features\””,”modelName”:”\”AFTSurvivalRegTrainBatchOp\””,”labelCol”:null,”linearModelType”:”\”AFT\””,”vectorSize”:”3”} NULL
    1048576 {“featureColNames”:null,”featureColTypes”:null,”coefVector”:{“data”:[2.6373721387804276,-0.49591581739360013,0.19847648151323818,1.5469720551612485]},”coefVectors”:null} NULL
    预测结果
    label censor features pred
    0.273 1.0 0.520,1.151 13.571097451777327
    1.218 1.0 1.560,-0.605 5.718263596902868
    3.627 0.0 1.380,0.231 7.380610641992667
    4.199 0.0 0.795,-0.226 9.009354073821902
    2.949 0.0 0.346,2.158 18.067188679653064