plot

Постройте функцию оставшегося в живых для ковариационного выживания, остающегося модель срока полезного использования

Описание

пример

plot(mdl) строит базовую функцию оставшегося в живых подходящей ковариационной модели mdl выживания против пожизненного значения, для которого это было вычислено. Данные о графике хранятся в BaselineCumulativeHazard свойство mdl.

пример

plot(mdl,covariates) строит функцию оставшегося в живых, вычисленную для ковариационных данных в covariates. Чтобы получить функцию оставшегося в живых, показатель риска вычислен с помощью ковариантов и объединен с базовой функцией оставшегося в живых.

Примеры

свернуть все

Загрузите обучающие данные.

load('covariateData.mat')

Эти данные содержат времена выброса батареи и связали ковариационную информацию. Ковариационные переменные:

  • Температура

  • Загрузка

  • Производитель

Информацией о производителе является категориальная переменная, которая должна быть закодирована.

Создайте ковариационную модель выживания.

mdl = covariateSurvivalModel;

Обучите модель выживания использование обучающих данных, задав пожизненную переменную, переменные данных и закодированную переменную. Нет никакой переменной цензора для этого обучающих данных.

fit(mdl,covariateData,"DischargeTime",["Temperature","Load","Manufacturer"],[],"Manufacturer")
Successful convergence: Norm of gradient less than OPTIONS.TolFun

Постройте базовую функцию оставшегося в живых для модели.

plot(mdl)

Загрузите обучающие данные.

load('covariateData.mat')

Эти данные содержат времена выброса батареи и связали ковариационную информацию. Ковариационные переменные:

  • Температура

  • Загрузка

  • Производитель

Информацией о производителе является категориальная переменная, которая должна быть закодирована.

Создайте ковариационную модель выживания и обучите ее с помощью обучающих данных.

mdl = covariateSurvivalModel('LifeTimeVariable',"DischargeTime",'LifeTimeUnit',"hours",...
   'DataVariables',["Temperature","Load","Manufacturer"],'EncodedVariables',"Manufacturer");
fit(mdl,covariateData)
Successful convergence: Norm of gradient less than OPTIONS.TolFun

Предположим, что вам произвел блок батарей производитель B это запустилось для 30 часы. Составьте таблицу тестовых данных, которая содержит время использования, DischargeTime, и измеренная температура окружающей среды, TestAmbientTemperature, и текущий чертивший, TestBatteryLoad.

TestBatteryLoad = 25;
TestAmbientTemperature = 60; 
DischargeTime = hours(30);
TestData = timetable(TestBatteryLoad,TestAmbientTemperature,"B",'RowTimes',hours(30));
TestData.Properties.VariableNames = {'Temperature','Load','Manufacturer'};
TestData.Properties.DimensionNames{1} = 'DischargeTime';

Предскажите RUL для батареи.

estRUL = predictRUL(mdl,TestData)
estRUL = duration
   38.657 hr

Постройте функцию оставшегося в живых для ковариационных данных батареи.

plot(mdl,TestData)

Входные параметры

свернуть все

Ковариационная модель RUL выживания, заданная как covariateSurvivalModel объект.

plot отображает данные на графике в BaselineCumulativeHazard свойство mdl, который является массивом 2D столбца. Второй столбец содержит базовые значения функций оставшегося в живых, и первый столбец содержит соответствующие пожизненные значения. Пожизненные значения построены в модулях, заданных LifeTimeUnits свойство mdl.

Текущие ковариационные значения для компонента, заданного как a:

  • Вектор-строка, элементы которого задают ковариационные значения компонента только а не пожизненные значения. Количество ковариационных значений должно совпадать с номером и порядком ковариационных столбцов данных, используемых при оценке mdl использование fit.

  • table или timetable с одной строкой. Таблица должна содержать переменные, заданные в DataVariables свойство mdl.

Если ковариационные данные содержат закодированные переменные, то необходимо задать covariates использование table или timetable.

Чтобы получить функцию оставшегося в живых, показатель риска вычислен с помощью ковариантов и объединен с базовой функцией оставшегося в живых. Для получения дополнительной информации смотрите Cox Пропорциональная Модель Опасностей (Statistics and Machine Learning Toolbox).

Смотрите также

Функции

Темы

Введенный в R2018a

Для просмотра документации необходимо авторизоваться на сайте