Vai al contenuto principale

Corso

Analisi di sopravvivenza in Python

AvanzatoLivello di competenza

Aggiornato 06/2024

Usa l'analisi di sopravvivenza per lavorare con i dati relativi al tempo che passa e prevedere quanto tempo si sopravvive.

Inizia Il Corso Gratis

PythonProbability & Statistics4 h16 video48 Esercizi3,850 XP5,741Attestato di conseguimento

Crea il tuo account gratuito

o

Continuando, accetti i nostri Termini di utilizzo, la nostra Informativa sulla privacy e che i tuoi dati siano conservati negli Stati Uniti.

Preferito dagli studenti di migliaia di aziende

Vuoi formare 2 o più persone?

Prova DataCamp for Business

Descrizione del corso

Quanto tempo passa prima che compaiano i sintomi dell'influenza dopo l'esposizione? E se non sai quando le persone hanno contratto il virus? Stipendio ed equilibrio vita-lavoro influenzano la rapidità del turnover dei dipendenti? Molte sfide reali richiedono l’analisi di sopravvivenza per stimare in modo robusto il tempo fino a un evento e aiutarci a trarre insight dalle distribuzioni tempo-all’evento. Questo corso ti introduce ai concetti di base dell’analisi di sopravvivenza. Con esercizi pratici, imparerai a calcolare, visualizzare, interpretare e confrontare curve di sopravvivenza usando i modelli di Kaplan-Meier, Weibull e Cox PH. Al termine del corso, saprai modellare distribuzioni di sopravvivenza, creare grafici efficaci delle curve di sopravvivenza e persino prevedere le durate di sopravvivenza.

Prerequisiti

Introduction to Regression with statsmodels in Python Hypothesis Testing in Python

1

Introduction to Survival Analysis

What problems does survival analysis solve, and what is censorship? You’ll answer these questions as you explore survival analysis data, build survival curves, and make basic estimations of survival time.

What is survival analysis?

What problems does survival analysis solve?

Choose the right data for survival analysis

Why use survival analysis?

Identify the censorship type

Preprocess censored data

First look at censored data

Your first survival curve!

Draw a survival curve

Long live democracy!

Inizia Il Capitolo

2

Survival Curve Estimation

In this chapter, you’ll learn how the Kaplan-Meier model works and how to fit, visualize, and interpret it. You’ll then apply this model to explore how categorical variables affect survival and learn how to supplement your analysis using hypothesis testing methods like the log-rank test.

Fitting a Kaplan-Meier estimator

How to fit a Kaplan-Meier estimator?

Heart disease patient survival

Visualizing your Kaplan-Meier model

Plotting the survival curve

Patient soreness treatment

Applying survival analysis to groups

Senators' terms in office

Comparing patient soreness treatments

The log-rank test

Appropriate data for log-rank test

Plotting and comparing survival curves

Log-rank test

Inizia Il Capitolo

3

The Weibull Model

Discover how to model time-to-event data with parametric models. Learn how to use the Weibull model and the Weibull AFT model and what different purposes they serve. Use survival regression to make inferences about how covariates affect the survival function and learn how to select the best survival model for your data.

Fitting the Weibull model

Model prison data with Weibull

Compare Weibull model parameters

Weibull model with covariates

Analyze heart patients characteristics

Explore gender-LVDD interaction

Visualization and prediction with Weibull model

How do prior arrests impact re-arrest rate?

Predict re-arrest rate

Other distributions and model selection

How good is the fit?

Choose a parametric model

Inizia Il Capitolo

4

The Cox PH Model

Another chapter, another model! In this final chapter, you'll learn about the proportional hazards assumption and the role it plays in fitting and interpreting the Cox Proportional Hazards model. You’ll also learn how to predict new subjects' survival times using the Cox Proportional Hazards model.

Fitting the Cox Proportional Hazards model

Model prison data with Cox PH

Custom Cox PH model

Interpreting the Cox PH model

Cox PH model survival time

Plot covariate effects on survival

The proportional hazards assumption

Test the PH assumption with KM curves

Test the PH assumption automatically

Predicting with the Cox PH model

Employee churn study

Predict before they leave!

Congratulations!

Inizia Il Capitolo

Analisi di sopravvivenza in Python

Corso
completato

Ottieni Attestato di conseguimento

Aggiungi questa certificazione al tuo profilo LinkedIn, al curriculum o al CV
Condividila sui social e nella valutazione delle tue performanceIscriviti Ora

Unisciti a oltre 19 milioni di studenti e inizia Analisi di sopravvivenza in Python oggi!

Crea il tuo account gratuito

o

Continuando, accetti i nostri Termini di utilizzo, la nostra Informativa sulla privacy e che i tuoi dati siano conservati negli Stati Uniti.

Aumenta le tue competenze sui dati con l'app di DataCamp

Avanza ovunque ti trovi con i nostri corsi per dispositivi mobili e le nostre sfide di programmazione quotidiane da 5 minuti.