Pyspark AFT生存模型中的生存概率

我想知道如何使用

AFTSurvivalRegression

方法计算pyspark中的生存概率。我在网上看到过这个例子：

从pyspark.ml.regression导入生存回归后
从pyspark.ml.linalg导入向量
training=spark.createDataFrame([
（1.218,1.0，向量密度（1.560，-0.605）），
（2.949,0.0，向量密度（0.346,2.158）），
（3.627,0.0，向量密度（1.380,0.231）），
（0.273,1.0，向量密度（0.520,1.151）），
（4.199,0.0，向量密度（0.795，-0.226）），[“标签”、“审查”、“特征”]）
量化概率=[0.3,0.6]
aft=生存后回归（量化概率=量化概率，
quantilesCol=“分位数”）
型号=后安装（培训）
#打印AFT生存回归的系数、截距和比例参数
打印（“系数：+str（模型系数））
打印（“截距：+str（截距模型））
打印（“比例：+str（模型比例））
model.transform（training）.show（truncate=False）

---

但有了这个，我只能预测存活时间。我也可以得到分位数概率，但我不知道它们是如何工作的。我的问题是如何得到一个人在特定时间存活的概率？

我不是一个蟒蛇主义者，但我在几年前为一个提问者回答了这个问题：我想象你有能力生成一个均匀空间分位数的向量，然后得到每个分位数的预测时间。如果是这样，那么您应该能够遵循以下R代码作为大纲：