2026年6月26日

Week17 分类模型全方案探究终结总结

今日工作概述

完成分类模型 Plan_2 漏洞修复（Exp021）和 Plan_3 全新架构探索（Exp022），并通过三方案对比确认最终选定方案。

最终选定

Plan_1 最终版（NN + CatBoost Blending + Isotonic 校准）

内部：Recall=82.22%，Spec=86.99%，FP=35，FN=8，AUC=0.902
外部（Bayes 调整）：FP=10，FN=1，Recall=85.7%

三方案核心差异回顾

Plan_2 与 Plan_1 本质相同，仅 Optuna 碰巧搜到 CatBoost 主导（0.757）的权重，导致概率分布压缩、阈值极低（t=0.055）、FP 升高至 59。消融实验价值在于验证了 Cascade 串联架构的失效机理。

Plan_3 引入临床特征工程（9 个派生特征）和 5 折 OOF Stacking，完全不用 NN。特征工程有效（工程特征霸占重要性 Top-5），但 Meta 学习器被 5 个同质树模型的冗余 OOF 输出拖累，AUC 反降至 0.883。ET 单模型 Test AUC=0.929 反而是三个方案里最高的基模型成绩。

关键结论

FP 控制能力：Plan_1 > Plan_3（外部）> Plan_2
漏诊控制能力：Plan_3 最优（FN=1），Plan_1 最差（FN=8）
概率区分能力（AUC）：Plan_1 ≈ Plan_2 > Plan_3
特征工程是有价值的方向，但需要配合单模型而非堆叠

待讨论

与导师确认 Recall 目标：82%（FN=8）vs 93%（FN=3），即临床可接受的漏诊上限
了解本院历史巨大儿发生率，配置 App 部署 Bayes 先验参数

明日计划

分类模型阶段结项，开始整理研究论文框架（Research Paper 文件夹）。