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。

名称 中文名称 描述 类型 是否必须？ 默认值
censorCol 生存列名 生存列名 String ✓
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]
maxIter 最大迭代步数 最大迭代步数，默认为 100 Integer 100
epsilon 收敛阈值 迭代方法的终止判断阈值，默认值为 1.0e-6 Double 1.0E-6
withIntercept 是否有常数项 是否有常数项，默认true Boolean true
labelCol 标签列名 输入表中的标签列名 String ✓
vectorCol 向量列名 向量列对应的列名，默认值是null String null
featureCols 特征列名数组 特征列名数组，默认全选 String[] null
l1 L1 正则化系数 L1 正则化系数，默认为0。 Double 0.0
l2 正则化系数 L2 正则化系数，默认为0。 Double 0.0
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")
  9. reg = AftSurvivalRegression()\
  10.             .setVectorCol("features")\
  11.             .setLabelCol("label")\
  12.             .setCensorCol("censor")\
  13.             .setPredictionCol("result")
  14. pipeline = Pipeline().add(reg)
  15. model = pipeline.fit(data)
  16. model.save().collectToDataframe()
  17. model.transform(data).collectToDataframe()

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