进行中2026年6月25日

Exp022 · 分类模型 Plan_3 — 临床特征工程 + 5折 OOF Stacking

分类模型OOF Stacking特征工程Platt校准消融实验

实验目标

完全跳出 Plan_1/2 的 NN + CatBoost Blending 框架，从零设计全新架构：不使用神经网络，改用临床特征工程 + 5 折 OOF 集成堆叠 + LGB Meta 学习器 + Platt Scaling 校准，验证不同路线的天花板。

架构设计

原始 19 特征
    ↓ 临床特征工程（+9 个派生特征 → 共 28 个）
    ↓ 5 折 OOF（LGB / XGB / CatBoost / RF / ExtraTrees）
    ↓ LGB Meta 学习器（输入 = 5 维 OOF 概率）
    ↓ Platt Scaling 校准（Val 集，区别于 Isotonic）
    ↓ 操作点选择（Val 集，Recall≥80%）
    ↓ Test 集最终报告 + 外部验证 Bayes 调整

临床特征工程（+9 个）

特征	含义	临床依据
FH_x_AC	宫高 × 胎儿腹围	EFW 公式核心组合，重要性排名第一
FH_x_FL	宫高 × 股骨长	—
BDP_x_AC	双顶径 × 腹围	Hadlock EFW 核心项
HC_x_AC	头围 × 腹围	—
FL_x_AC	股骨 × 腹围	—
EFW_proxy	Hadlock 简化 EFW 估算	线性近似出生体重
BMI_gain	PNBMI − PPBMI	孕期代谢负担增量
GWG_rate	GWG ÷ GA	每孕周增重速率
AC_ratio	AC_baby ÷ AC_mom	胎儿/母体腹围相对大小

基模型 OOF AUC

模型	5-Fold OOF AUC	Test AUC
LGB	0.889 ± 0.010	0.909
XGB	0.892 ± 0.009	0.914
CatBoost	0.904 ± 0.007	0.916
RF	0.903 ± 0.015	0.924
ExtraTrees	0.905 ± 0.021	0.929
Meta (LGB)	—	0.883

关键发现：堆叠退步

Meta 学习器 Val AUC 仅 0.803，低于所有基模型（0.860~0.879）。最终 Test AUC=0.883 也低于 Plan_1/2 的 0.902/0.903。

根因：5 个基模型全是树模型，OOF 概率输出高度同质化（分布形态几乎一致），Meta LGB 从 5 列冗余信号中学不到增量信息，反而过拟合了 OOF 训练噪声。

Test 集结果

指标	数值
Sensitivity (Recall)	97.78%
Specificity	56.13%
FP / FN	118 / 1
AUC-ROC	0.883
Brier Score	0.092

外部验证（Bayes 先验调整）

策略	FP	FN	Recall	Spec
原始 Meta 输出	46	0	100%	69.3%
Platt 校准后	64	0	100%	57.3%
Bayes 调整（推荐）	14	1	85.7%	90.7%

三方案对比总结

	Plan_1（选定）	Plan_2	Plan_3
Test FP	35	59	118
Test FN	8	5	1
Test AUC	0.902	0.903	0.883
外部 FP（Bayes）	10	19	14

附带发现（有价值）

特征工程有效：工程特征霸占 Top-5（FH_x_FL、FH_x_AC、EFW_proxy 等），超过全部原始特征
ET 单模型 AUC=0.929，高于 Plan_1/2 的 0.902/0.903
堆叠无效的核心原因是基模型同质性，而非特征或数据问题

潜在方向：直接用工程特征 + 单个 ExtraTrees（或 CatBoost），不做堆叠，可能得到更低 FP。

代码文件

Week17/分类模型/Plan3_OOF_Stacking/Plan3_ClinicalStack.py