楼主: wenO6ZTcp8ct6
120 1

[其他] Super Learner 集成建模实操:500 人模拟队列的 R 教程与权重解读(arXiv 2611.15257) [推广有奖]

  • 0关注
  • 0粉丝

等待验证会员

已卖:30份资源

初中生

95%

还不是VIP/贵宾

-

威望
0 级
论坛币
530 个
通用积分
180.5435
学术水平
0 点
热心指数
0 点
信用等级
0 点
经验
530 点
帖子
11
精华
0
在线时间
0 小时
注册时间
2020-9-16
最后登录
2020-9-16

楼主
wenO6ZTcp8ct6 发表于 昨天 18:12 |AI写论文

+2 论坛币
k人 参与回答

经管之家送您一份

应届毕业生专属福利!

求职就业群
赵安豆老师微信:zhaoandou666

经管之家联合CDA

送您一个全额奖学金名额~ !

感谢您参与论坛问题回答

经管之家送您两个论坛币!

+2 论坛币

先验地挑一个算法做预测模型,问题不在于它一定差,而在于它差的时候你看不出来:交叉验证分数漂亮,换一批病人就掉下去。Super Learner 的做法是把若干个候选算法放进一个库,用交叉验证估它们各自的误差,再解一个带约束的最优化问题给它们分配权重,得到的组合在样本量趋于无穷时,表现不会比库里最好的那一个差。

 

这套东西在流行病学与生物统计里已经用了十几年,但真正落到 R 代码、参数与报告口径上的细节,散在论文与包的文档里。arXiv 2026 年 11 月 11 日的这篇《Super Learner: A Practical Tutorial》(arXiv:2611.15257,stat.ME,24 页,作者 Eliezer Pita Zambrano 与 Miguel Angel Luque-Fernandez)把它串成一条可以照做的流程:模拟数据、装配算法库、交叉验证、调参、特征筛选、按 AUC 优化、并行、自定义算法、完整流行病学案例、连续结局与剂量反应,最后是合并成一节的最佳实践与速查表。

 

从 500 人的模拟队列开始

 

教程没有用真实数据开场,而是给了一个生成机制已知的模拟队列:n=500,五个协变量,前四个服从均匀分布(示意年龄、体质指数、血压与一个生物标志物),第五个是二分类合并症,其概率依赖第二、三个协变量;结局按 logistic 生成,logit 里含合并症与第一个协变量的交互项,以及一个正弦型非线性项,种子固定为 2743。

 

这样安排的好处很直接:真实数据里你不知道模型该抓到什么,模拟数据里你知道。集成如果真能利用交互与非线性,分数会体现在这里;如果只是把几个线性模型平均一下,也藏不住。

 

三个算法、三组权重与一个 AUC

 

基础装配是三个算法:SL.mean(预测样本均值,即结局患病率,作为基准)、SL.glmnet(惩罚回归)、SL.randomForest(随机森林)。交叉验证风险分别是 0.2478、0.1593、0.1655,最终权重 0.0000、0.6851、0.3149。基准算法拿到零权重,这是这一步最值得看的地方——它不是被"平均进去稀释",而是被明确判定为没有贡献。

 

在留出测试集上,集成模型的 AUC 是 0.8413。教程同时把三条 ROC 曲线画在一起,让读者看到集成相对单个算法的位置,而不是只报一个数。

 

元学习器:默认用 NNLS,但要知道什么时候不用

 

权重怎么解,决定了这套方法是不是"黑箱"。默认的 method.NNLS 用 Lawson-Hanson 算法解非负最小二乘,好处是无需调参、凸问题有全局最优、权重是可解释的凸组合,连续与二分类结局都能用。

 

需要别的口径时换元学习器:必须强制权重和为 1,用 method.NNLS2 或 method.CC_LS(走二次规划);目标是校准过的概率,用 method.NNloglik(最小化二项偏差,属于恰当评分规则);只关心排序与区分度,用 method.AUC(最大化交叉验证 AUC,依赖 nloptr)。教程给的路径是:NNLS 起步当基线,与 NNloglik、AUC 各比一遍,最后用 CV.SuperLearner() 在自己数据上选。

 

五条最佳实践里,两条最容易被跳过

 

教程按 Phillips 等的框架列了五个决策:损失函数、有效样本量、交叉验证方案、算法库多样性、离散 SL 还是集成 SL。其中两条最常在论文里被漏掉:

 

一是有效样本量。连续结局取 n,二分类结局取 n 与"五倍少数类例数"中的较小者,这个数决定算法能多复杂、折数该取多少——稀有结局硬上十个折、库里有随机森林,等于自找不稳定。

 

二是报结果必须用 CV.SuperLearner()。SuperLearner() 返回的是训练折内部的表现,天生乐观;只有带外层交叉验证的版本才能回答"换一批新病人会怎样"。论文里写"Super Learner 的 AUC",引的应当是前者的 summary。

 

算法库的骨架也给了:SL.glm(流行病学的参照)、SL.glmnet(高维)、SL.randomForest 或 SL.ranger(树集成)、SL.xgboost(提升)、SL.earth 或 SL.gam(平滑非线性),再加一个必须被打败的 SL.mean。逻辑是一线性、一惩罚线性、一树集成、一提升、一平滑样条、一基准。

 

跑之前要准备什么

 

R 基础与交叉验证的概念就够,不需要深度学习。包里用到 SuperLearner,并行那节用 multicore,自定义算法与自定义筛选器各给了一个 wrapper 例子;连续结局、剂量反应各设专章,与 caret 的预处理与模型对比也有一节。全部代码与图的开源仓库作者写在引言里,24 页正文加速查表,按节读即可。

 

────────────────

论文入口、完整权重与风险表、五条决策的原文清单、代码仓库与许可说明和引用写法,都放在下面,回帖可见。


游客,如果您要查看本帖隐藏内容请回复

把经管之家装进你常用的 AI 智能体中

一键快捷安装经管之家 MCP/技能,让 AI 帮你查教程、找数据、读论坛帖子。

检索、阅读公开帖子不收费,安装可申请领取:3 通用积分+100 论坛币+3 元论坛资金

请点击查看安装教程与福利 →

说明: AI 算力按所用平台规则计算;附件按原帖条件获取;福利领取条件以活动页面为准。

二维码

扫码加我 拉你入群

请注明:姓名-公司-职位

以便审核进群资格,未注明则拒绝


沙发
利润增长点44702 发表于 昨天 19:45
这个资料不错,关注一下

您需要登录后才可以回帖 登录 | 我要注册

本版微信群
加好友,备注jltj
拉您入交流群
GMT+8, 2026-11-19 01:42