Java 类名：com.alibaba.alink.operator.stream.regression.AftSurvivalRegPredictStreamOp
Python 类名：AftSurvivalRegPredictStreamOp

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

| 名称 | 中文名称 | 描述 | 类型 | 是否必须？ | 取值范围 | 默认值 | | —- | —- | —- | —- | —- | —- | —- |

| predictionCol | 预测结果列名 | 预测结果列名 | String | ✓ | | |

| modelFilePath | 模型的文件路径 | 模型的文件路径 | String | | | null |

| predictionDetailCol | 预测详细信息列名 | 预测详细信息列名 | 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] |

| reservedCols | 算法保留列名 | 算法保留列 | String[] | | | null |

| vectorCol | 向量列名 | 向量列对应的列名，默认值是null | String | | 所选列类型为 [DENSE_VECTOR, SPARSE_VECTOR, STRING, VECTOR] | null |

| numThreads | 组件多线程线程个数 | 组件多线程线程个数 | Integer | | | 1 |

| modelStreamFilePath | 模型流的文件路径 | 模型流的文件路径 | String | | | null |

| modelStreamScanInterval | 扫描模型路径的时间间隔 | 描模型路径的时间间隔，单位秒 | Integer | | | 10 |

| modelStreamStartTime | 模型流的起始时间 | 模型流的起始时间。默认从当前时刻开始读。使用yyyy-mm-dd hh:mm:ss.fffffffff格式，详见Timestamp.valueOf(String s) | String | | | null |

代码示例

Python 代码

  1. from pyalink.alink import *
  3. import pandas as pd
  5. useLocalEnv(1)
  7. df = pd.DataFrame([
  8.     [1.218, 1.0, "1.560,-0.605"],
  9.     [2.949, 0.0, "0.346,2.158"],
  10.     [3.627, 0.0, "1.380,0.231"],
  11.     [0.273, 1.0, "0.520,1.151"],
  12.     [4.199, 0.0, "0.795,-0.226"]])
  14. data = BatchOperator.fromDataframe(df, schemaStr="label double, censor double, features string")
  15. dataStream = StreamOperator.fromDataframe(df, schemaStr="label double, censor double, features string")
  17. trainOp = AftSurvivalRegTrainBatchOp()\
  18.                 .setVectorCol("features")\
  19.                 .setLabelCol("label")\
  20.                 .setCensorCol("censor")
  22. model = trainOp.linkFrom(data)
  24. predictOp = AftSurvivalRegPredictStreamOp(model)\
  25.                 .setPredictionCol("pred")
  27. predictOp.linkFrom(dataStream).print()
  28. StreamOperator.execute()

Java 代码

  1. import org.apache.flink.types.Row;
  3. import com.alibaba.alink.operator.batch.BatchOperator;
  4. import com.alibaba.alink.operator.batch.regression.AftSurvivalRegTrainBatchOp;
  5. import com.alibaba.alink.operator.batch.source.MemSourceBatchOp;
  6. import com.alibaba.alink.operator.stream.StreamOperator;
  7. import com.alibaba.alink.operator.stream.regression.AftSurvivalRegPredictStreamOp;
  8. import com.alibaba.alink.operator.stream.source.MemSourceStreamOp;
  9. import org.junit.Test;
  11. import java.util.Arrays;
  12. import java.util.List;
  14. public class AftSurvivalRegPredictStreamOpTest {
  15.     @Test
  16.     public void testAftSurvivalRegPredictStreamOp() throws Exception {
  17.         List <Row> df = Arrays.asList(
  18.             Row.of(1.218, 1.0, "1.560,-0.605"),
  19.             Row.of(2.949, 0.0, "0.346,2.158"),
  20.             Row.of(3.627, 0.0, "1.380,0.231"),
  21.             Row.of(0.273, 1.0, "0.520,1.151")
  22.         );
  23.         BatchOperator <?> data = new MemSourceBatchOp(df, "label double, censor double, features string");
  24.         StreamOperator <?> dataStream = new MemSourceStreamOp(df, "label double, censor double, features string");
  25.         BatchOperator <?> trainOp = new AftSurvivalRegTrainBatchOp()
  26.             .setVectorCol("features")
  27.             .setLabelCol("label")
  28.             .setCensorCol("censor");
  29.         BatchOperator <?> model = trainOp.linkFrom(data);
  30.         StreamOperator <?> predictOp = new AftSurvivalRegPredictStreamOp(model)
  31.             .setPredictionCol("pred");
  32.         predictOp.linkFrom(dataStream).print();
  33.         StreamOperator.execute();
  34.     }
  35. }

运行结果

| label | censor | features | pred | | —- | —- | —- | —- |

| 2.9490 | 0.0000 | 0.346,2.158 | 2933.1642 |

| 3.6270 | 0.0000 | 1.380,0.231 | 1524.2502 |

| 1.2180 | 1.0000 | 1.560,-0.605 | 1.6231 |

| 0.2730 | 1.0000 | 0.520,1.151 | 0.2706 |