Überlebenszeitanalyse in Python
"Verwenden Sie Überlebensanalyse, um Zeit-bis-Ereignis-Daten zu bearbeiten und Überlebenszeit vorherzusagen."
Kurs kostenlos starten4 Stunden16 Videos48 Übungen4.636 LernendeLeistungsnachweis
Kostenloses Konto erstellen
oder
Durch Klick auf die Schaltfläche akzeptierst du unsere Nutzungsbedingungen, unsere Datenschutzrichtlinie und die Speicherung deiner Daten in den USA.Trainierst du 2 oder mehr?
Versuchen DataCamp for BusinessBeliebt bei Lernenden in Tausenden Unternehmen
Kursbeschreibung
Wie lange dauert es, bis nach einer Exposition Grippesymptome auftreten? Und was ist, wenn man nicht weiß, wann sich die Menschen mit dem Virus angesteckt haben? Haben das Gehalt und die Vereinbarkeit von Beruf und Familie einen Einfluss auf die Mitarbeiterfluktuationsrate? Bei vielen realen Herausforderungen ist eine Überlebenszeitanalyse (engl. survival analysis) erforderlich, um die Zeit bis zu einem Ereignis zuverlässig zu schätzen, damit wir Erkenntnisse aus der Verteilung der Zeit bis zum Ereignis (engl. time to event) ziehen können. In diesem Kurs lernst du die grundlegenden Konzepte der Überlebenszeitanalyse kennen. Durch praktische Aufgaben lernst du, wie du Überlebenskurven mit den Modellen von Kaplan-Meier, Weibull und Cox berechnest, visualisierst, interpretierst und vergleichst. Am Ende dieses Kurses wirst du in der Lage sein, Überlebensverteilungen zu modellieren, hübsche Diagramme von Überlebenskurven zu erstellen und sogar Überlebensdauern vorherzusagen.
Trainierst du 2 oder mehr?
Verschaffen Sie Ihrem Team Zugriff auf die vollständige DataCamp-Plattform, einschließlich aller Funktionen.- 1
Einführung in die Überlebenszeitanalyse
KostenlosWelche Probleme löst die Überlebenszeitanalyse, und was ist Zensierung? Du wirst diese Fragen beantworten, während du Daten zur Überlebenszeitanalyse untersuchst, Überlebenskurven erstellst und grundlegende Schätzungen der Überlebenszeit vornimmst.
Was ist eine Überlebenszeitanalyse?50 xpWelche Probleme löst die Überlebenszeitanalyse?100 xpDie richtigen Daten für die Überlebenszeitanalyse auswählen50 xpWarum eine Überlebenszeitanalyse?50 xpArt der Zensierung identifizieren50 xpZensierte Daten vorverarbeiten100 xpErster Blick auf zensierte Daten100 xpDeine erste Überlebenskurve!50 xpEine Überlebenskurve zeichnen100 xpEs lebe die Demokratie!100 xp - 2
Schätzung der Überlebenskurve
In diesem Kapitel lernst du, wie das Kaplan-Meier-Modell funktioniert und wie man es anpasst, visualisiert und interpretiert. Anschließend wendest du dieses Modell an, um zu untersuchen, wie sich kategoriale Variablen auf die Überlebensrate auswirken, und lernst, wie du deine Analyse mit Hypothesentestmethoden wie dem Log-Rank-Test ergänzen kannst.
Anpassen eines Kaplan-Meier-Schätzers50 xpWie passt man einen Kaplan-Meier-Schätzer an?100 xpÜberleben von Patienten mit Herzerkrankungen100 xpVisualisierung deines Kaplan-Meier-Modells50 xpPlotten der Überlebenskurve50 xpBehandlung von Patienten mit Muskelschmerzen100 xpAnwendung der Überlebenszeitanalyse auf Gruppen50 xpAmtszeiten der Senatoren100 xpVergleich von Behandlungen für Patienten mit Muskelschmerzen100 xpDer Log-Rank-Test50 xpGeeignete Daten für den Log-Rank-Test100 xpPlotten und Vergleichen von Überlebenskurven100 xpLog-Rank-Test100 xp - 3
Das Weibull-Modell
Entdecke, wie du Daten zur Zeit bis zum Ereignis mit parametrischen Modellen modellieren kannst. Lerne, wie du das Weibull-Modell und das Weibull-AFT-Modell verwendest und welchen unterschiedlichen Zwecken sie dienen. Nutze die Überlebensregression, um Rückschlüsse darauf zu ziehen, wie Kovariaten die Überlebensfunktion beeinflussen, und lerne, wie du das beste Überlebensmodell für deine Daten auswählst.
Anpassen des Weibull-Modells50 xpGefängnisdaten mit Weibull modellieren100 xpWeibull-Modellparameter vergleichen100 xpWeibull-Modell mit Kovariaten50 xpMerkmale von Herzpatienten analysieren100 xpInteraktion zwischen Geschlecht und LVDD erforschen100 xpVisualisierung und Vorhersage mit dem Weibull-Modell50 xpWie wirken sich frühere Verhaftungen auf die Wiederverhaftungsrate aus?100 xpWiederverhaftungsrate vorhersagen100 xpAndere Verteilungen und Modellauswahl50 xpWie gut passt es?100 xpEin parametrisches Modell auswählen100 xp - 4
Die Cox-Regression
Ein weiteres Kapitel, ein weiteres Modell! In diesem letzten Kapitel lernst du die Proportionale-Hazards-Annahme kennen und erfährst, welche Rolle sie bei der Anpassung und Interpretation der Cox-Regression spielt. Außerdem lernst du, wie du die Überlebenszeit neuer Probanden mit der Cox-Regression vorhersagen kannst.
Anpassen der Cox-Regression50 xpGefängnisdaten mit Cox-Regression modellieren100 xpAngepasste Cox-Regression100 xpDie Interpretation der Cox-Regression50 xpÜberlebenszeit mit der Cox-Regression100 xpAuswirkungen der Kovariate auf das Überleben plotten100 xpDie Proportionale-Hazards-Annahme50 xpDie PH-Annahme mit KM-Kurven prüfen100 xpDie PH-Annahme automatisch prüfen100 xpVorhersage mit der Cox-Regression50 xpStudie zur Mitarbeiterfluktuation100 xpSage es voraus, bevor sie gehen!100 xpGlückwunsch!50 xp
Trainierst du 2 oder mehr?
Verschaffen Sie Ihrem Team Zugriff auf die vollständige DataCamp-Plattform, einschließlich aller Funktionen.Mitwirkende
Shae Wang
Mehr anzeigenSenior Data Scientist at Ripple
Was sagen andere Lernende?
Melden Sie sich an 15 Millionen Lernende und starten Sie Überlebenszeitanalyse in Python Heute!
Kostenloses Konto erstellen
oder
Durch Klick auf die Schaltfläche akzeptierst du unsere Nutzungsbedingungen, unsere Datenschutzrichtlinie und die Speicherung deiner Daten in den USA.