回归模型

生存分析 三大块内容： 1，描述性的 生存率、中位生存期、生存曲线等，常用Kaplan-meier法 2，比较分析 两组的生存曲线是否有差别，log-rank检验（单个因素） 3，cox比例风险回归 类似logistic回归，多个变量对Y的影响，得到一个概率值，只不过加了时间 多花点时间聊聊cox的感受 首先理解一个概念 风险函数（hazard function）h(t)=f(t)/S(t) f(t)为瞬时死亡率，其实就是时间趋近于零时刻的死亡率，又称死亡概率密度函数，曲线下面积为1. S(t)为生存率：a, 若无删失，表示为t时刻存活人数/总观察人数 　　　　　　　b，若有删失，计算为各个时段下生存概率的乘积（ 生存概率：活过该年的人数/年初人数） 象形的理解，瞬时死亡率只受到某时刻，死亡人数的影响，若t时刻死亡10人，瞬时死亡率肯定高于t+1时刻死亡1人 而，生存率，会越来越低。分子/分母，h(t)风险函数肯定增大。 对于COX风险比例模型，h(t,x)=h0(t)exp(βX)=h0(t)exp(β1x1+β2x2+```+βx) 前半部分为基线风险函数，不需要特定分布，为非参 后半部分相当于对多重线性回归的输出进行了次方变换，保证了 正值和 单调性 （参数模型） 两者相乘即为COX，（半参） 那么聊聊参数估计 对偏似然函数 ，采用极大似然估计 先不管这个所谓偏似然函数

阅读对象 只要你想读，你就读呗！最好点个赞再走。。。:-) 本文尽量通过例子和直观描述，来说明人工智能中机器学习和数据挖据的主要概念，分类，和使用方法，并通过例子描述如何使用它来促进公司业务发展。虽然标题偏技术，但内容涵盖面较广，涉及业务，产品，技术等多方面。主要目的是说清楚公司如何使用数据挖据为业务提速，所以推荐的阅读对象，是公司中高级运营管理人员，创始人。但并不一定合适人工智能，数据挖据的技术专家，因为它基本不涉及人工智能和数据挖据的底层技术，也不涉及深层次的数学原理和算法研究。 前言 近年来，人工智能，大数据是一个非常热门的词汇。与一些更加前沿的科技例如量子计算，神经网络，虚拟现实，区块链等等不同，这一类技术里面，已经有一些分类，实实在在地被商用并且产生了可观的效益。简单地说，本文所描述的数据挖据相关内容，事实上就是人工智能和大数据的一种结合。 哪儿有数据挖掘哪儿就有“啤酒与尿布”， “沃尔玛啤酒和尿布的故事”这个经典的案例是从事这行研究的人都知道的一个故事，说的是沃尔玛超市（Walmart）会在周末时把啤酒移到尿布货架的未端，这是因为沃尔玛的数据挖掘专家告诉老板，他们的研究结果显示男士通常会在周末购买尿布，而他们同时也喜欢在周末喝啤酒，如果放在一起那肯定会提升销售，老板照做了，结果啤酒销售果然增加了40%以上。。。很想知道这个经典案例是真实的还是为了宣传数据挖掘而制造的