scikit-survival 생존분석 워크플로우

무엇을 해주나

• 생존분석(우측 검열 데이터)의 결과 변수 구성을 올바르게 잡아줍니다: Surv.from_arrays로 (이벤트 불리언, 관측시간) 구조화 배열 만들기, 경쟁위험은 0=검열, 1..K=원인 정수 코딩.
• 데이터 누수 방지 파이프라인을 강제합니다: 분할 먼저 → 결측 대체·인코딩·스케일링은 파이프라인 안에서만, 하이퍼파라미터 튜닝은 중첩 CV 또는 미사용 홀드아웃으로.
• 모델 선택 가이드: Cox PH, Coxnet(LASSO/엘라스틱넷), IPCRidge(AFT), Random Survival Forest, Gradient Boosting, Survival SVM의 예측 의미와 한계 구분.
• 지표 계약을 명확히 합니다: Uno C·시간의존 AUC는 "높을수록 위험"인 점수, Brier/IBS는 (n_test, n_times) 생존확률. 검열 분포는 반드시 학습 데이터로만 추정.
• 경쟁위험 누적발생함수(CIF) 계산과 1 - Kaplan-Meier를 잘못 쓰는 흔한 오류 방지.
• 동봉된 로컬 CLI(CSV 검증, 학습, 지표 평가, CIF, 리포트 생성)로 재현 가능한 마크다운 보고서까지 만들 수 있습니다.

이런 분께 추천

• 의료·임상·역학 데이터로 생존분석을 하는 데이터 사이언티스트, 바이오통계 연구자.
• 이탈(churn)·고장 시간·재발 예측처럼 "사건 발생까지의 시간"을 다루는 ML 엔지니어.
• 논문·심사용으로 누수 없는 평가 절차와 지표 근거를 명확히 남겨야 하는 분.

활용 예시

1. "환자 코호트 CSV로 Cox PH 모델을 만들고 Uno C, 시간의존 AUC, IBS까지 보고서로 정리해줘" → 검증 → 학습·튜닝 → 지표 평가 → model-report.md 순으로 진행.
2. "고차원 유전체 특징에서 Coxnet으로 특징을 선별하고 생존곡선을 뽑아줘" → fit_baseline_model=True 설정 및 중첩 CV로 l1_ratio/alpha 선택.
3. "심장질환 사망과 타 원인 사망이 섞인 데이터의 원인별 누적발생률을 계산해줘" → 정수 상태 코딩 확인 후 cumulative_incidence_competing_risks 사용.

이 파일의 지시를 읽고 그대로 따라서 나를 도와줘:
https://raw.githubusercontent.com/K-Dense-AI/scientific-agent-skills/HEAD/skills/scikit-survival/SKILL.md

내가 원하는 것: (여기에 하고 싶은 일을 쓰세요)

클로드스킬마트에서 찾은 스킬을 설치해줘.
GitHub 저장소 K-Dense-AI/scientific-agent-skills 의 skills/scikit-survival 폴더를 내 ~/.claude/skills/scikit-survival/ 에 그대로 복사해줘.
설치가 끝나면 이 스킬로 무엇을 할 수 있는지 한 줄로 알려줘.