derrynknife/SurPyval

📊 SurPyval – Phân tích sinh tồn đa dạng, mượt mà như scipy

SurPyval: một công cụ phân tích sinh tồn Python sâu rộng, hỗ trợ dữ liệu quan sát, bị dở lắt và bị cắt đoạn kết hợp tùy ý, kèm nhiều phương pháp ước lượng tham số khác nhau.

SurPyval là một thư viện phân tích sinh tồn bằng Python, được thiết kế để mô phỏng gần nhất với API của scipy với phương thức .fit() đơn giản cho bất kỳ phân phối nào (tham số hoặc phi tham số). Khác với các thư viện khác, SurPyval hỗ trợ kết hợp tùy ý giữa dữ liệu quan sát, bị dở lắt và bị cắt đoạn. Ngoài ra, nó còn hỗ trợ nhiều phương pháp ước lượng tham số khác nhau, cho phép người dùng chọn phương pháp phù hợp nếu một phương pháp nào đó thất bại.

✨ Điểm nổi bật

• Hỗ trợ nhiều phương pháp ước lượng: MLE, MPP, MSE, MOM, MPS.
• Dữ liệu linh hoạt: kết hợp tùy ý giữa quan sát, dở lắt và cắt đoạn.
• Offset phân phối: hỗ trợ dời phân phối để tạo phiên bản 3 hoặc 4 tham số (ví dụ: Weibull 3 tham số).
• Đa dạng phân phối: Weibull, Normal, LogNormal, Gamma, Beta, Exponential, Gumbel, Logistic, LogLogistic…
• Đồ thị probability plot: trực quan hóa độ phù hợp của phân phối tham số so với phi tham số.
• Mô hình đa dạng: hỗ trợ mô hình có biến số, nguy hiểm đối cạnh, sự kiện lặp lại và thời gian rời rạp.
• API đơn giản: phương thức .fit() giống scipy, dễ sử dụng và mở rộng.
• Phi tham số: Kaplan-Meier, Nelson-Aalen, Fleming-Harrington, Turnbull.

💡 Vì sao đáng chú ý

SurPyval nổi bật nhờ khả năng kết hợp linh hoạt giữa các loại dữ liệu quan sát, bị dở lắt và bị cắt đoạn — một tính năng chưa có trong bất kỳ thư viện nào khác. Ngoài ra, việc hỗ trợ nhiều phương pháp ước lượng tham số cùng lúc giúp người dùng dễ dàng so sánh và chọn ra phương pháp phù hợp nhất. Đây là công cụ lý tưởng cho kỹ sư đáng tin cậy và phân tích sinh tồn cần linh hoạt trong từng bước phân tích.

#SurvivalAnalysis #Python #ReliabilityEngineering #ParametricEstimation #TiniX