可复现的日志驱动AutoML框架：面向医疗风险预测的可解释流水线优化
本研究提出yvsoucom-iterkit，一个确定性、日志驱动的自动化机器学习框架，将流水线优化编码为可追踪的日志实体，实现组件归因、交互、相似性和跨种子鲁棒性分析。在Pima印第安人糖尿病和中风数据集上的实验（超过18,000种流水线配置）揭示了结构化且部分冗余的搜索空间，性能由少数交互组件主导。随机森林重要性分析显示，增强（0.454）、模型选择（0.198）和不平衡处理（0.101）是Pima的关键驱动因素，而不平衡处理主导中风数据集（0.406）。组件相似性分析表明强冗余性。集成模型取得了强劲稳定的性能（Pima上加权F1为0.89，宏F1为0.88；中风上加权F1为0.94），但中风上的宏F1较低（0.67）。跨种子分析揭示了性能-鲁棒性权衡。结果表明有效的AutoML优化可以聚焦于少量高影响组件。
准确的疾病风险预测在医疗领域至关重要，但由于特征异质性、样本有限和严重的类别不平衡，实现准确且可复现的预测仍然充满挑战。近日，一项研究提出了yvsoucom-iterkit，这是一个基于确定性日志驱动的自动化机器学习（AutoML）框架，旨在通过完全可复现的方式优化数据流水线。该框架将每条流水线编码为可追踪的日志实体，从而支持组件归因、交互分析、相似性评估以及跨种子鲁棒性分析。
研究人员在Pima印第安人糖尿病数据集和中风数据集上进行了广泛实验，探索了超过18,000种不同的流水线配置。结果表明，搜索空间虽然结构复杂，但存在显著的冗余性，性能主要由少数交互组件决定。通过随机森林重要性分析，研究团队识别出在Pima数据集中，数据增强（重要性0.454）、模型选择（0.198）和类别不平衡处理（0.101）是影响性能的关键因素；而在中风数据集中，类别不平衡处理的作用更为突出（0.406）。
进一步分析组件相似性时，发现不同组件之间存在高度冗余。例如，特征选择变体之间的均方根距离仅为0.0252，mixup增强与无增强非常接近（0.0279），而TomekLinks与不处理不平衡的相似度也很高（0.0325）。相比之下，高斯噪声与无增强的差异更大（0.10）。这些结果揭示了优化过程中许多组件组合可能产生相似效果。
在预测性能方面，集成模型表现稳定且优异：在Pima数据集上，加权F1得分为0.89，宏F1为0.88；在中风数据集上，加权F1高达0.94，但宏F1仅为0.67。宏F1较低的原因主要是中风数据集中严重的类别不平衡。跨种子分析还显示，集成模型的性能变异性较低（0.023–0.026），优于支持向量机（SVM）的变异性。
总体而言，该研究强调了在医疗风险预测中，有效的AutoML优化不应盲目探索所有组件，而是应聚焦于少数高影响力组件。这一可复现的日志驱动框架为临床预测模型的构建提供了新的思路，有望提高模型在真实世界应用中的可靠性和可解释性。