AIKraft/Skills/scikit-survival

scikit-survival

Строит, оценивает и проверяет модели выживаемости с учётом цензурирования и конкурирующих рисков. Включает безопасную предобработку, выбор моделей, прогнозирование вероятностей и метрики, учитывающие цензурирование. Полезно для анализа выживаемости в scikit-survival.

KDK-Dense official Данные ★ 47.7k

Что делает навык

Навык предназначен для построения, оценки и проверки моделей выживаемости с учётом цензурирования и конкурирующих рисков в scikit-survival 0.28.0. Он обеспечивает безопасную предобработку, выбор моделей, прогнозирование вероятностей и расчёт метрик, учитывающих цензурирование.

Когда применять

  • Построение и валидация моделей Cox PH, Coxnet, IPC ridge, деревьев, лесов, градиентного бустинга и SVM для выживаемости.
  • Оценка дискриминации (Harrell C, Uno C, AUC) и калибровки с использованием метрик, учитывающих цензурирование.
  • Расчёт не параметрической кумулятивной заболеваемости (CIF) при наличии конкурирующих рисков.
  • Настройка конвейеров scikit-learn с вложенным кросс-валидационным отбором параметров для предотвращения утечки данных.

Как работает

  1. Определите эстиманд и кодирование событий, создав структурированный массив outcomes через sksurv.util.Surv.from_arrays или from_dataframe.
  2. Разделите данные на обучающую и тестовую выборки до применения любых обучаемых преобразований.
  3. Соберите конвейер scikit-learn, включающий безопасную предобработку (импутация, масштабирование, кодирование) и выбранную модель выживаемости.
  4. Обучите модель на обучающей выборке и получите оценки риска или функции выживания на тестовой выборке.
  5. Оцените качество, используя метрики scikit-survival (concordance_index_ipcw, brier_score, cumulative_dynamic_auc), передавая распределение цензурирования только из обучающих данных.
  6. При наличии конкурирующих рисков используйте sksurv.nonparametric.cumulative_incidence_competing_risks для расчёта CIF.

Примеры запросов агенту

Построй модель Cox PH с регуляризацией, оцени её дискриминацию через Uno C и кумулятивную ошибку Брайера на тестовой выборке.
Создай конвейер с предобработкой для табличных данных и обучи Random Survival Forest, затем оцени калибровку через Brier score.
Рассчитай кумулятивную заболеваемость для конкурирующих рисков, используя функцию cumulative_incidence_competing_risks.

Что понадобится

  • Python 3.11+ и scikit-survival 0.28.0 с зависимостями (scikit-learn, numpy, pandas, scipy, osqp, narwhals).
  • Доступ к локальным скриптам CLI (validate_survival_csv.py, train_survival_model.py и др.) для валидации данных и отчётов.

Описание составлено по SKILL.md навыка, сверено 08.10.2026.

Как подключить

1Скачать навык
# возьмите папку навыка «scikit-survival» из репозитория: # https://github.com/k-dense-ai/scientific-agent-skills
2Положить папку с SKILL.md к навыкам ассистента
# положите папку навыка туда, где ассистент ищет skills: cp -r scikit-survival/ ~/.claude/skills/scikit-survival/

Навык — папка с файлом SKILL.md (описание + инструкции) и опциональными скриптами. Ассистент (Claude, Claude Code и совместимые) подхватывает его по описанию и следует шагам.