生存分析——泊松回归(LightGBM)实现生存分析（四）

Myth丶恋晨 2022-09-03 05:16 274阅读 0赞

You can find the full article **[here][]**

来看一个比较特殊的Survival分析建模的案例,利用的是半参模型:`Poisson Regression`  
具体参考文章:[Survival Analysis with LightGBM plus Poisson Regression][here]  
里面的建模思路非常有意思，不适合工业落地，不过咨询公司的data scientist看过来~

--------------------

# 1 Poisson Regression #

## 1.1 松泊分布与泊松回归 ##

参考：[什么是松泊分布？泊松回归可以用来做什么？][Link 1]

试想一下，你现在就站在一个人流密集的马路旁，打算收集闯红灯的人群情况（？）。  
首先，利用秒表和计数器，一分钟过去了，有5个人闯红灯；  
第二分钟有4个人；而下一分钟有4个人。  
持续记录下去，你就可以得到一个模型，这便是“泊松分布”的原型。

除此以外，现实生活中还有很多情况是服从泊松分布的：

*  10分钟内从ATM中取钱的人数
 *  一天中发生车祸的次数
 *  每100万人中患癌症的人数
 *  单位面积土地内昆虫的数目

Poisson模型(泊松回归模型)是用于描述单位时间、单位面积或者单位容积内某事件发现的频数分布情况，  
通常用于描述稀有事件（即小概率）事件发生数的分布。

上述例子中都明显的一个特点：  
低概率性，以及单位时间(或面积、体积)内的数量。  
通常情况下，满足以下三个条件时，可认为数据满足Poisson分布：

*  (1) 平稳性：发生频数的大小，只与单位大小有关系（比如1万为单位，或者100万为单位时患癌症人数不同）；
 *  (2) 独立性：发生频数的大小，各个数之间没有影响关系，即频数数值彼此独立没有关联关系；  
    比如前1小时闯红灯的人多了，第2小时闯红灯人数并不会受影响；
 *  (3) 普通性：发生频数足够小，即低概率性。

如果数据符合这类特征时，而又想研究X对于Y的影响（Y呈现出Poisson分布）；  
此时则需要使用Poisson回归，而不是使用常规的线性回归等。

## 1.2 LightGBM 实现泊松回归的案例 ##

参考来源：https://github.com/Microsoft/LightGBM/issues/807

import lightgbm as lgb
    import numpy as np
    import pandas as pd
    
    n=100000
    lam = .01
    X = np.floor(np.random.lognormal(size=(n,2))).astype(int)
    y = np.maximum(X[:,0],X[:,1])+np.random.poisson(lam=lam, size=n)
    
    train_inds = np.arange(int(n/3))
    val_inds =   np.arange(int(n/3), int(2*n/3))
    test_inds =   np.arange(int(2*n/3), int(n))
    
    X_test, y_test = X[test_inds,:], y[test_inds]
    
    ds = lgb.Dataset(X,y, categorical_feature=[1])
    
    ds_train = ds.subset(train_inds)
    ds_val = ds.subset(val_inds)
    
    params = {'objective':'poisson',
             'metric':'rmse',
             'learning_rate':.1
             }
    gbm = lgb.train(params, ds_train, num_boost_round=300, early_stopping_rounds=20, valid_sets=[ds_val, ds_train], 
                    verbose_eval=100, categorical_feature=[1])
    
    yhat = gbm.predict(X_test)
    print('neg obs:', len(yhat[yhat<0]))

y是需要服从poisson分布的

# 2 数据解读 #

## 2.1 数据样式 ##

数据集解释：美国Washington, D.C.的一个共享单车公司  
数据来源：[bike-sharing-dataset][]  
数据集的中文字段解释：  
参考：[Capital Bikeshare （美国Washington, D.C.的一个共享单车公司）提供的自行车数据上进行回归分析][Capital Bikeshare _Washington_ D.C.]  
具体实现 + 代码：[Survival\_LGBM-github][Survival_LGBM-github]

# 字段说明Instant 记录号
    
    Dteday：日期
    Season：季节
        1=春天
        2=夏天
        3=秋天
        4=冬天
    yr：年份，(0: 2011, 1:2012)
    mnth：月份( 1 to 12)
    hr：小时 (0 to 23) （只在 hour.csv 有，作业忽略此字段）
    holiday：是否是节假日
    weekday：星期中的哪天，取值为 0～6
    workingday：是否工作日
        1=工作日 （非周末和节假日）
        0=周末
    weathersit：天气
    1：晴天，多云
    2：雾天，阴天
    3：小雪，小雨
    4：大雨，大雪，大雾
    temp：气温摄氏度
    atemp：体感温度
    hum：湿度
    windspeed：风速
    
    y值
    -   casual：非注册用户个数
    -  registered：注册用户个数
    -  cnt：给定日期（天）时间（每小时）总租车人数，响应变量 y

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3NpbmF0XzI2OTE3Mzgz_size_16_color_FFFFFF_t_70]

现在数据变成：  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3NpbmF0XzI2OTE3Mzgz_size_16_color_FFFFFF_t_70 1]

也就是把第一行数据，拆分成330行，新增了两列：

*  `count_so_far`就是人员计数从\[0,1,2,3,4,6,…,330\]，
 *  `stop`，就是人数终止计数

这样构造的一个特殊的数据结构，造就了该模型object的独特，原文自评:

> We solve a not classical survival problem where we have not to estimate the probability of surviving past time, but we estimate the probability that a specific event occurs at the end of the day. This is a simple example but it shows how to applicate survival modeling techniques, with classical instruments, in a not common scenario where our duty is to estimate a probability density function.

这里就把问题变成了，2011/1/1 这天，  
在casual users = 0的时候，不会停止增长；在casual users = 1，不会停止增长；…；在casual users = 330，停止增长  
最后，如何来预测临时用户的人数？  
用的是一个“可能在什么数量上停止”的曲线，这里是把 hazard = 临时用户的增长量，会拟合一个达到预测数值的可能性趋势。

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3NpbmF0XzI2OTE3Mzgz_size_16_color_FFFFFF_t_70 2]

这里跟生存分析 以及常规回归的差异：

*  常规回归模型，y~x1+x2… 根据特征直接预测临时用户人数，点估计；这里的Poisson有点类似加强版区间估计，就叫`趋势估计？`
 *  生存分析，
    
     *  生存函数使用的是KM曲线，计算不同生存时间区间下的存活率；
     *  风险函数，计算不同生存时间区间下的风险值

## 2.2 衡量模型指标 ##

### 2.2.1 CRPS ###

我们对结果的评价是用这种任务的标准分数来进行的。连续排序概率评分(Continuous ranking Probability Score, CRPS)将MAE推广到概率预测的情况。  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3NpbmF0XzI2OTE3Mzgz_size_16_color_FFFFFF_t_70 3]

在涉及概率预测的情况下，CPRS是应用最广泛的精度指标之一。它需要对所涉及的整个概率函数进行评估，因此需要对每个每日样本的整个生存曲线进行估计。

## PDF / CDF ##

*  概率密度函数probability density function（pdf）

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3NpbmF0XzI2OTE3Mzgz_size_16_color_FFFFFF_t_70 4]

*  累积分布函数(Cumulative Distribution Function)，又叫分布函数  
    ![在这里插入图片描述][8b9f50e065694a5ba90b6e21ef11011b.png]

## 2.2 训练与解读 ##

数据的延展：

### EXPAND TRAIN DATA ###
    
    X_train['count_so_far'] = X_train.apply(lambda x: np.arange(x.casual), axis=1)
    X_train['stop'] = X_train.apply(lambda x: np.append(np.zeros(x.casual-1), 1), axis=1)
    X_train = X_train.apply(pd.Series.explode)   # 数据扩充的方式
    
    X_train['count_so_far'] = X_train.count_so_far.astype(int)
    X_train['stop'] = X_train.stop.astype(int)
    
    y_train = X_train['stop']
    X_train = X_train[columns+['count_so_far']]
    
    print(X_train.shape)
    X_train
    
    ### EXPAND VALID DATA FOR PREDICTION ###
    
    X_val_surv = df[(df.dteday >= datetime(year=2012, month=1, day=1))&(df.dteday < datetime(year=2012, month=5, day=1))].copy()
    
    X_val_surv['count_so_far'] = X_val_surv.apply(lambda x: np.arange(max_count), axis=1)
    X_val_surv['stop'] = X_val_surv.apply(lambda x:np.append(np.zeros(x.casual), np.ones(max_count-x.casual)), axis=1)
    X_val_surv = X_val_surv.apply(pd.Series.explode)
    
    X_val_surv['count_so_far'] = X_val_surv.count_so_far.astype(int)
    X_val_surv['stop'] = X_val_surv.stop.astype(int)
    
    y_val_surv = X_val_surv['stop']
    X_val_surv = X_val_surv[columns+['count_so_far']]
    
    print(X_val_surv.shape)

具体的已经在2.1 描述过了；这里要额外来看一下`max_count`，这个在train数据集中不会出现，  
也就是今天有多少临时用户，就是多少`X_train.apply(lambda x: np.arange(x.casual), axis=1)`  
但你会看到，X\_val\_surv是`X_val_surv.apply(lambda x: np.arange(max_count), axis=1)`，这里就是临时用户的最大值设定为4000，这个值根据临时用户max值来取的，就是临时用户上线。

params = {
             'objective':'poisson',
             'num_leaves':30, 
             'learning_rate': 0.001,
             'feature_fraction': 0.8,
             'bagging_fraction': 0.9,
             'bagging_seed': 33,
             'poisson_max_delta_step': 0.8,
             'metric': 'poisson'
             }
    
    ### FIT LGBM WITH POISSON LOSS ### 
    
    trn_data = lgb.Dataset(X_train, label=y_train)
    val_data = lgb.Dataset(X_val, label=y_val)
    
    model = lgb.train(params, trn_data, num_boost_round=1000,
                      valid_sets = [trn_data, val_data],
                      verbose_eval=50, early_stopping_rounds=150)

这里`X_train`的shape为：`(247252, 13)`，那么可以知道训练集是非常大的；  
需要重置数据，可到：

### PREDICT HAZARD FUNCTION ON VALIDATION DATA AND TRANSFORM TO SURVIVAL ###
    
    p_val_hz = model.predict(X_val_surv).reshape(-1,max_count)
    p_val = 1-np.exp(-np.cumsum(p_val_hz, axis=1))
    X_val_surv.shape
    >>> (484000, 12)
    p_val.shape
    >>> (121, 4000)

p\_val就回归正常，代表着每一天，不同人群数量的概率，直接上图：  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3NpbmF0XzI2OTE3Mzgz_size_16_color_FFFFFF_t_70 5]  
这天在500左右，达到峰值了，那么这天临时用户的预测值就在500左右了。

简单的模型检验：

### CRPS ON VALIDATION DATA ###
    crps(t_val, p_val)
    >>> 0.17425293919055515
    ### CRPS ON VALIDATION DATA WITH BASELINE MODEL ###
    crps(t_val, np.repeat(cdf, len(t_val)).reshape(-1,max_count))

--------------------

# 3 同等lightGBM分类测试 #

https://blog.csdn.net/wang263334857/article/details/81836578

来看一下同一份数据测试出来的结果如何，后续不贴太多，只贴一下我测试的代码，放在了之前的一个项目下面：[Survival\_Poisson\_Regression][Survival_Poisson_Regression]

[here]: https://towardsdatascience.com/survival-analysis-with-lightgbm-plus-poisson-regression-6b3cc897af82
[Link 1]: https://baijiahao.baidu.com/s?id=1640575113204709427&wfr=spider&for=pc
[bike-sharing-dataset]: https://www.kaggle.com/marklvl/bike-sharing-dataset
[Capital Bikeshare _Washington_ D.C.]: https://blog.csdn.net/wang263334857/article/details/81836578
[Survival_LGBM-github]: https://github.com/cerlymarco/MEDIUM_NoteBook/blob/master/Survival_LGBM/Survival_LGBM.ipynb
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3NpbmF0XzI2OTE3Mzgz_size_16_color_FFFFFF_t_70]: /images/20220829/163ffb0fb6004223bd3e2ded78cb5b1e.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3NpbmF0XzI2OTE3Mzgz_size_16_color_FFFFFF_t_70 1]: /images/20220829/009dc78c476142359c31fe462a5b28c5.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3NpbmF0XzI2OTE3Mzgz_size_16_color_FFFFFF_t_70 2]: /images/20220829/a85dc28b8def418abcdfcc8981609d75.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3NpbmF0XzI2OTE3Mzgz_size_16_color_FFFFFF_t_70 3]: /images/20220829/67ae40de19ed4a8f9687c5592e896916.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3NpbmF0XzI2OTE3Mzgz_size_16_color_FFFFFF_t_70 4]: /images/20220829/06693b18f5c94155bfbc29bd88f7088f.png
[8b9f50e065694a5ba90b6e21ef11011b.png]: /images/20220829/f04e6e32969c44858c37463a9dfb4401.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3NpbmF0XzI2OTE3Mzgz_size_16_color_FFFFFF_t_70 5]: /images/20220829/38de234b63164737b905718524fa6273.png
[Survival_Poisson_Regression]: https://github.com/mattzheng/KwaiSurvival-Test-Demo/tree/main/Survival_Poisson_Regression