生存回归预测 (AftSurvivalRegPredictBatchOp)

Java 类名：com.alibaba.alink.operator.batch.regression.AftSurvivalRegPredictBatchOp
Python 类名：AftSurvivalRegPredictBatchOp

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。生存回归组件支持稀疏、稠密两种数据格式。

算法原理

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。

算法使用

生存回归分析是研究特定事件的发生与时间的关系的回归。这里特定事件可以是：病人死亡、病人康复、用户流失、商品下架等。

文献或出处

[1] Wei, Lee-Jen. “The accelerated failure time model: a useful alternative to the Cox regression model in survival analysis.” Statistics in medicine 11.14‐15 (1992): 1871-1879.
[2] https://spark.apache.org/docs/latest/ml-classification-regression.html#survival-regression

参数说明

代码示例

Python 代码

from pyalink.alink import *
import pandas as pd
useLocalEnv(1)
df = pd.DataFrame([
    [1.218, 1.0, "1.560,-0.605"],
    [2.949, 0.0, "0.346,2.158"],
    [3.627, 0.0, "1.380,0.231"],
    [0.273, 1.0, "0.520,1.151"],
    [4.199, 0.0, "0.795,-0.226"]
])
data = BatchOperator.fromDataframe(df, schemaStr="label double, censor double, features string")
trainOp = AftSurvivalRegTrainBatchOp()\
            .setVectorCol("features")\
            .setLabelCol("label")\
            .setCensorCol("censor")
model = trainOp.linkFrom(data)
predictOp = AftSurvivalRegPredictBatchOp()\
            .setPredictionCol("pred")
predictOp.linkFrom(model, data).print()

Java 代码

import org.apache.flink.types.Row;
import com.alibaba.alink.operator.batch.BatchOperator;
import com.alibaba.alink.operator.batch.regression.AftSurvivalRegPredictBatchOp;
import com.alibaba.alink.operator.batch.regression.AftSurvivalRegTrainBatchOp;
import com.alibaba.alink.operator.batch.source.MemSourceBatchOp;
import org.junit.Test;
import java.util.Arrays;
import java.util.List;
public class AftSurvivalRegPredictBatchOpTest {
    @Test
    public void testAftSurvivalRegPredictBatchOp() throws Exception {
        List <Row> df = Arrays.asList(
            Row.of(1.218, 1.0, "1.560,-0.605"),
            Row.of(2.949, 0.0, "0.346,2.158"),
            Row.of(3.627, 0.0, "1.380,0.231"),
            Row.of(0.273, 1.0, "0.520,1.151"),
            Row.of(4.199, 0.0, "0.795,-0.226")
        );
        BatchOperator <?> data = new MemSourceBatchOp(df, "label double, censor double, features string");
        BatchOperator <?> trainOp = new AftSurvivalRegTrainBatchOp()
            .setVectorCol("features")
            .setLabelCol("label")
            .setCensorCol("censor");
        BatchOperator model = trainOp.linkFrom(data);
        BatchOperator <?> predictOp = new AftSurvivalRegPredictBatchOp()
            .setPredictionCol("pred");
        predictOp.linkFrom(model, data).print();
    }
}

运行结果

模型结果

预测结果