我正在使用Python中Lifelines的AalenAdditiveFitter构建一个预测模型，以预测事件是否会发生以及何时发生。
T(时间)= 月 C(事件)= 1 为是，0 为否
此外，我正在使用 8 个属性。
aaf = AalenAdditiveFitter(coef_penalizer=1., fit_intercept=True)
cx1 = aaf.fit(trainX.drop(['index'], axis=1), duration_col='T', event_col='C',show_progress=True)
我能够使用以下方法构建一个相对稳定的模型并获得累积危险概率：
stestXsurvived = cx1.predict_cumulative_hazard(stestX.drop(['T','C'], axis=1))
有没有办法直接从AalenAdditiveFitter过程中获得条件/边际概率？
那么在多做一点挖掘之后，我可以假设以下内容吗？
- 我从阿伦加性模型中得到累积危险概率
- 为了使它们达到每个月的条件概率，我可以取上个月的差值：P(t) - P(t-1)
这是基于 https://quant.stackexchange.com/questions/21816/cumulative-vs-marginal-probability-of-default 上发布的答案
不确定此解决方案是否如此简单，请提供帮助。
如果你按照你建议的方式改变累积危险，你会得到h(t)，危险。 h(t) 确实相当于离散持续时间的条件概率。 但请注意：对于连续持续时间，h(t) 是一个速率(例如，它可以大于 1)。
顺便说一句：我不记得Aalen的加法模型是否是半参数的。 但是，如果是这样，累积风险只会在我们看到失败的月份中改变价值。 它不会影响您的(月份 - 上个月)计算 - 差异将为 0，当我们观察到没有失败时，半参数持续时间模型总是如此。
如果你想节省计算能力，你可以把一个故障时间的累积危险(称为t_k)，然后从这个故障时间之前的最后一个故障时间的累积危险中减去它(称之为t_k-1)。 一旦你把你的思想集中在新量告诉你的内容上，你得到的答案将是相同的：如果累积危险在t_k-1和t之间变化很大，而半参数危险(因此，累积危险)仅在我们看到故障时才更新，那么任何介于t_k-1和t之间的时间点都必须具有0的危险。