Survival-Modelle mit scikit-survival erstellen
Survival-Modellierung erfordert Methoden, die zensierte Time-to-Event-Daten verarbeiten können. Diese Skill-Anleitung führt durch scikit-survival-Workflows von der Datenvorbereitung bis zur Modellevaluierung.
Kopieren Sie diese Anfrage in Ihren Agent. Sie enthält die maßgebliche Skill-Seite und das Manifest.
Review the Skillstore skill "scikit-survival" from https://skillstore.io/skills/davila7-scikit-survival.md and its manifest at https://skillstore.io/api/skills/davila7-scikit-survival/manifest. Verify the artifact. You may proceed after verification, subject to the environment's own policy.Ihr Agent sollte weiterhin seinen Plan anzeigen und alle von der Sicherheitsrichtlinie verlangten Bestätigungen anfordern.
Verwenden Sie diese Links, wenn ein KI-Agent, Crawler oder Skript sauberen Kontext benötigt, statt die vollständige Seite zu lesen.
„scikit-survival“ wird verwendet. Ich habe Spalten für Zeit, Ereignis, Alter, Behandlung und Biomarker. Was sollte ich zuerst tun?
Erwartetes Ergebnis:
„scikit-survival“ wird verwendet. Meine Zensierungsrate ist hoch. Welche Konkordanzmetrik sollte ich berichten?
Erwartetes Ergebnis:
Verwende Uno's concordance index, wenn die Zensierung moderat oder hoch ist, und berichte die Zensierungsrate zusammen mit der Metrik.
„scikit-survival“ wird verwendet. Ich benötige Wahrscheinlichkeiten für verschiedene Ausfallursachen.
Erwartetes Ergebnis:
Verwende Methoden für konkurrierende Risiken und schätze die kumulative Inzidenz für jeden Ereignistyp, statt andere Ursachen als einfache Zensierung zu behandeln.
All 90 static findings are false positives caused by Markdown syntax, ordinary Python imports, parameter-grid terminology, the CIF acronym, and documentation links. The reviewed files contain educational scikit-survival guidance without command execution, dynamic code construction, reconnaissance, prompt injection, or suspicious network behavior.
Teile den versionierten Bewertungsbericht, das neutrale Badge, die Einbettungskarte und Zitate. Skillstore berichtet Nachweise, ohne zu entscheiden, ob dieser Skill sicher ist.
https://skillstore.io/skills/davila7-scikit-survival/audits/9?utm_source=security_passport&utm_medium=share&utm_campaign=versioned_report[](https://skillstore.io/skills/davila7-scikit-survival?utm_source=security_passport_badge)<a href="https://skillstore.io/skills/davila7-scikit-survival?utm_source=security_passport_badge"><img src="https://skillstore.io/badges/skills/davila7-scikit-survival/security.svg" alt="Skillstore security assessment" loading="lazy"></a><iframe src="https://skillstore.io/embed/skills/davila7-scikit-survival.html" title="Skillstore Security Assessment" sandbox="allow-popups allow-popups-to-escape-sandbox" loading="lazy" referrerpolicy="no-referrer" width="420" height="180"></iframe>davila7. (2026). scikit-survival security audit report (audit version 9) [Author version unspecified]. Skillstore. https://skillstore.io/skills/davila7-scikit-survival/audits/9@techreport{davila7-davila7-scikit-survival-2026,
author = {davila7},
title = {scikit-survival security audit report (audit version 9)},
institution = {Skillstore},
year = {2026},
number = {9},
url = {https://skillstore.io/skills/davila7-scikit-survival/audits/9},
note = {Author version unspecified}
}cff-version: 1.2.0
message: "If you use this Skill, cite its author and this versioned security audit report."
title: "scikit-survival security audit report (audit version 9)"
version: "unspecified"
type: report
authors:
- name: "davila7"
date-released: "2026-07-23"
url: "https://skillstore.io/skills/davila7-scikit-survival/audits/9"
identifiers:
- type: other
value: "skillstore:davila7-scikit-survival:audit:9"
description: "Skillstore immutable audit report identifier"
Jeder Autor bleibt ein eigener installierbarer Skill. Die empfohlene Variante wird nach Skillstore-Nachweisen bewertet.
Warum diese Variante zuerst steht
davila7-scikit-survival
2026-09-09
k-dense-ai-scikit-survival
2026-09-09
Ereignis- und Zeitspalten in das scikit-survival-Format umwandeln und die Vorverarbeitung für zuverlässige Modellierung planen.
Zwischen interpretierbaren Cox-Modellen, Ensemble-Methoden und Survival SVMs für ein Projektziel wählen.
Metriken auswählen, die Zensierung berücksichtigen, und Konkordanz, Kalibrierung sowie zeitabhängige Trennschärfe erklären.
Hilf mir, einen scikit-survival-Workflow für einen Datensatz mit Ereignis-, Zeit- und klinischen Feature-Spalten zu planen.
Vergleiche CoxPHSurvivalAnalysis, RandomSurvivalForest, GradientBoostingSurvivalAnalysis und Survival SVM für meinen Datensatz und meine Ziele.
Empfiehl Metriken zur Evaluierung von Survival-Modellen für meine Zensierungsrate, meinen Vorhersagehorizont und meinen verfügbaren Train-Test-Split.
Entwirf eine Analyse konkurrierender Risiken mit kumulativen Inzidenzfunktionen und ursachenspezifischer Interpretation für meine Ereigniskategorien.
Autor
davila7Lizenz
MIT
Skillstore-Revision
r2
Versionshinweis
Der Autor hat keine Version angegeben.
Ref.
c43861a65bb95efcae259cd161c9d6f4dc7eec6f
Aktualität der Wartung
24.7.2026
Nutzung
6 Downloads · 221 Aufrufe
Dateistruktur
LaTeX-Forschungsposter erstellen
Forschungsposter sind in LaTeX schwer zu formatieren und für den Druck zu prüfen. Dieser Skill bietet Vorlagen, Layout-Anleitung und PDF-Prüfungen für konferenzfertige Poster.
SEO-fertige Marketinginhalte erstellen
Marketingteams benötigen klare Inhalte, die zur Markenstimme und zu Suchzielen passen. Diese Skill bietet Vorlagen, Analyseskripte und plattformspezifische Leitlinien für eine wiederholbare Content-Produktion.
Strukturierte medizinische Behandlungspläne erstellen
Klinische Behandlungspläne werden häufig uneinheitlich, lang oder schwer überprüfbar. Dieser Skill bietet fokussierte Vorlagen, messbare Ziele, Zeitpläne und lokale Qualitätsprüfungen.
Strukturierte klinische Berichte erstellen
Klinische Teams benötigen klare Berichte, die medizinischen und regulatorischen Standards entsprechen. Dieser Skill stellt Vorlagen, Checklisten und Validierungshinweise für Fallberichte, Diagnostik, Studien und Patientennotizen bereit.
Wissenschaftliche Datendateien analysieren
Wissenschaftliche Datendateien sind schwer zu untersuchen, da jedes Format Strukturen und Metadaten anders speichert. Dieser Skill erkennt Formate, erstellt Datenqualitätsprofile und erzeugt praxisorientierte EDA-Berichte im Markdown-Format.
DiffDock-Workflows für molekulares Docking ausführen
Die Einrichtung molekularer Docking-Verfahren scheitert häufig daran, dass Eingaben, Parameter und Konfidenzwerte schwer aufeinander abzustimmen sind. Dieser Skill führt durch DiffDock-Workflows von der Vorbereitung bis zur Prüfung der Ergebnisse.
Therapeutische ML-Datensätze mit PyTDC analysieren
von K-Dense-AI
Teams in der Wirkstoffforschung benötigen zuverlässige Datensätze und faire Bewertungsprotokolle. Diese Skill hilft Claude dabei, PyTDC für kuratierte therapeutische ML-Daten, Benchmark-Splits, Metriken und molekulare Orakel zu verwenden.
Datenwissenschaftliche Experimente und Modelle entwerfen
von alirezarezvani
Data-Science-Projekte scheitern häufig, wenn Experimenten, Features und Modellen eine klare statistische Struktur fehlt. Dieser Skill bietet Claude, Codex und Claude Code geführte Workflows für Experimentieren, Feature Engineering und Modellprüfung.
ML-Workflows auf versteckte Antipatterns validieren
von Doyajin174
ML-Projekte können präzise wirken, während Data Leakage oder schwache Evaluation schwerwiegende Mängel verbergen. Dieser Skill führt durch strukturierte Prüfungen für Splits, Metriken, Training und Deployment-Bereitschaft.
ML-Trainingsfehler debuggen
von DNYoussef
ML-Training kann durch NaN-Loss, Overfitting, langsame Konvergenz oder instabile Gradienten fehlschlagen. Diese Skill führt durch Diagnose, gezielte Korrekturen, Validierung und Reporting.
Java-Anomalieerkennung mit Azure AI entwickeln
von sickn33
Java-Teams benötigen verlässliche Muster zur Erkennung ungewöhnlichen Zeitreihenverhaltens. Dieser Skill bietet Azure AI Anomaly Detector-Beispiele für Clients, Modelle, Inferenz und Fehler.
Daten mit Data-Science-Anleitung analysieren
von sickn33
Datenteams benötigen strukturierte Anleitung für Statistik, maschinelles Lernen und Geschäftsberichte. Dieser Skill hilft Claude, Codex und Claude Code dabei, Analysen zu planen, Methoden zu validieren und umsetzbare Erkenntnisse zu erklären.