Enhancing the Interpretability of Non-linear Proportional Hazard Models Introducing Ghost Variables

Ortiz Arias, Santiago2026-07-092025-10-29https://hdl.handle.net/10784/36937application/pdfspaTodos los derechos reservadosRegresión de CoxAprendizaje automático interpretableEnhancing the Interpretability of Non-linear Proportional Hazard Models Introducing Ghost Variablesinfo:eu-repo/semantics/masterThesisinfo:eu-repo/semantics/restrictedAccessBIOMETRÍAANÁLISIS DE SUPERVIVENCIA (BIOMETRÍA)APRENDIZAJE AUTOMÁTICO (INTELIGENCIA ARTIFICIAL)VARIABLES (ESTADÍSTICA)Cox regressionInterpretable machine learningRelevance matrixSurvival analysisVariable importanceAcceso restringido2026-07-09Isaza Cadavid, Santiagoreponame:Repositorio Institucional Universidad EAFITinstname:Universidad EAFITrepourl:https://repository.eafit.edu.cohttp://purl.org/coar/access_right/c_16ec