← 科研日志

2026年6月25日

Week17 分类模型 Plan_1 完整探究总结

今日工作概述

完成了分类模型 Plan_1 从缺陷诊断到最终版交付的全流程探究，共经历 6 个阶段，最终确定 NN + CatBoost Blending + Isotonic 校准 为当前最优分类方案。

---

核心结论

选定方案：并联 Blending（PATH B）

• 融合权重：NN=0.883，CatBoost=0.117
• 操作点：Recall ≥ 80% 下最小 FP（t=0.223）
• 内部测试：Recall=82.2%，Spec=87.0%，FP=35，FN=8，AUC=0.902
• 外部验证（Bayes 调整后）：FP=10，FN=1，Recall=85.7%，AUC=0.937

---

探究阶段回顾

阶段 1 — 缺陷修复：发现并修复原版三处数据泄露（Optuna 用 y_test 寻优）、一处死代码、一处绘图报错，同时将特征从 13 个扩展为 19 个（自动提取）。

阶段 2 — 双路径对比：串联 Cascade（AUC=0.690）vs 并联 Blending（AUC=0.915）。串联 AUC 低的根本原因是两段概率量纲不统一导致全局排序失效。

阶段 3 — 三模型扩展：加入 RF 后 AUC 升至 0.924，但 FP 从 59 增至 76，淘汰。RF 的贡献在概率校准（Brier 改善），而非分类边界。

阶段 4 — FP 优化：Isotonic 概率校准（Brier 0.189→0.081）+ 全阈值扫描权衡曲线，发现 Recall≥90%/85%/Youden 三个准则落在同一点，真正的改善点在 Recall≥80%（FP=35，FN=8）。

阶段 5 — 外部验证：Bayes 先验调整（14.2%→4.5%）将外部 FP 从 47 降至 10，方法论合规（仅依赖先验数字，不接触外部标签）。

阶段 6 — 最终版交付：完整代码 Plan_1_最终版.py，含全部可视化看板和外部验证报告，推送至 GitHub。

---

待讨论

• 与导师商议 Recall 目标值（82% vs 93%，即 FN=8 vs FN=3 的临床取舍）
• 了解本院/科室近三年巨大儿发生率，用于 App 部署时固定 Bayes 先验

---

明日计划

开始分类模型 Plan_2 的阅读与修改探究。