Direkt zum Inhalt
StartseitePython

Überlebenszeitanalyse in Python

"Verwenden Sie Überlebensanalyse, um Zeit-bis-Ereignis-Daten zu bearbeiten und Überlebenszeit vorherzusagen."

Kurs kostenlos starten
4 Stunden16 Videos48 Übungen4.636 LernendeTrophyLeistungsnachweis

Kostenloses Konto erstellen

GoogleLinkedInFacebook

oder

Durch Klick auf die Schaltfläche akzeptierst du unsere Nutzungsbedingungen, unsere Datenschutzrichtlinie und die Speicherung deiner Daten in den USA.
Group

Trainierst du 2 oder mehr?

Versuchen DataCamp for Business

Beliebt 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.
Für Unternehmen

Trainierst du 2 oder mehr?

Verschaffen Sie Ihrem Team Zugriff auf die vollständige DataCamp-Plattform, einschließlich aller Funktionen.
DataCamp für UnternehmenFür eine maßgeschneiderte Lösung buchen Sie eine Demo.
  1. 1

    Einführung in die Überlebenszeitanalyse

    Kostenlos

    Welche 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.

    Kapitel jetzt abspielen
    Was ist eine Überlebenszeitanalyse?
    50 xp
    Welche Probleme löst die Überlebenszeitanalyse?
    100 xp
    Die richtigen Daten für die Überlebenszeitanalyse auswählen
    50 xp
    Warum eine Überlebenszeitanalyse?
    50 xp
    Art der Zensierung identifizieren
    50 xp
    Zensierte Daten vorverarbeiten
    100 xp
    Erster Blick auf zensierte Daten
    100 xp
    Deine erste Überlebenskurve!
    50 xp
    Eine Überlebenskurve zeichnen
    100 xp
    Es lebe die Demokratie!
    100 xp
  2. 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.

    Kapitel jetzt abspielen
  3. 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.

    Kapitel jetzt abspielen
  4. 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.

    Kapitel jetzt abspielen
Für Unternehmen

Trainierst du 2 oder mehr?

Verschaffen Sie Ihrem Team Zugriff auf die vollständige DataCamp-Plattform, einschließlich aller Funktionen.

Datensätze

Echocardiogram dataEmployee attrition dataRegimes dataPrison recidivism data

Mitwirkende

Collaborator's avatar
Hadrien Lacroix
Collaborator's avatar
Maggie Matsui
Shae Wang HeadshotShae Wang

Senior Data Scientist at Ripple

Mehr anzeigen

Was sagen andere Lernende?

Melden Sie sich an 15 Millionen Lernende und starten Sie Überlebenszeitanalyse in Python Heute!

Kostenloses Konto erstellen

GoogleLinkedInFacebook

oder

Durch Klick auf die Schaltfläche akzeptierst du unsere Nutzungsbedingungen, unsere Datenschutzrichtlinie und die Speicherung deiner Daten in den USA.