- 新增
psqi_raw_data
1. 連續型 Y：直接用 ΔPSQI （最直觀，也最不會被挑）
計算：ΔPSQI = PSQI_(T3) − PSQI_(T1)，整數沒關係。
在結果與討論裡，用 MCID 文獻來幫你詮釋數字大小：
失眠 RCT 常用 3 分變化當「最小重要改變」(MIC)，2.5–2.7 分當 MCID 10。
某些疾病族群（如肩袖修補術後）算出的 PSQI MCID 約 4.4 分，PASS（可接受狀態）約為 PSQI 5.5 分 11。
寫法示意：
-「本研究以 T3–T1 的 PSQI 差值作為連續結局變項。先前失眠介入試驗多採用約 3 分的 PSQI 變化作為最小臨床重要改變（MIC），以及約 2.5–2.7 分的組間差值作為 MCID 參考 1011。」
這個做法：模型乾淨、訊息完整，只要在 text 裡補一句「怎麼解讀 1 分、2 分、3 分」即可。
2. 類別型 Y：依「是否達到臨床重要變化」分組
利用文獻常見的門檻（約 3 分）1011，把 ΔPSQI 整數變化切成幾類，適合做邏輯斯或多項式 logistic。
一個實務上很常見的切法：
類別 定義（以 ΔPSQI = T3−T1） 解釋 Citations
明顯改善 ΔPSQI ≤ -3 達到 MIC 的改善 1011
穩定 -2 ≤ ΔPSQI ≤ +2 未達 MIC，視為穩定/誤差範圍 1011
明顯惡化 ΔPSQI ≥ +3 達到 MIC 的惡化 1011
Figure 1 依 MCID 概念將 PSQI 變化分為三類
你可以：
把它當作 3 類 Y（multinomial），或
合併成「有臨床重要變化（|Δ|≥3）」vs「無」（二元）。
寫法示意：
「參考先前針對失眠治療試驗對 PSQI 所報告之 MIC / MCID 約 2.5–3 分 1011，本研究將 |ΔPSQI| ≥ 3 分視為具臨床意義之變化，並進一步區分為改善（≤ -3 分）與惡化（≥ +3 分）。」
3. 以「壞睡 vs 好睡」或「達到 PASS 與否」當 Y
再多一種選擇，若你對「是否從壞睡轉成好睡」有興趣：
好睡/壞睡 cut-off：
多數 PSQI 研究以 >5 分定義壞睡 161218。
你可以定義：「從 PSQI >5 變成 ≤5」= 睡眠恢復；反之為新發壞睡。
PASS 概念：
肩袖修補研究中，PSQI 在 6 個月時 ≤5.5 分被視為病人可接受狀態 (PASS) 11。
你可以定義「T3 時 PSQI ≤5 或 ≤5.5」= 達到可接受睡眠狀態（Y=1），否則 Y=0。
4. 次要分析：畫「睡眠軌跡」群組
若有多個時間點（T1、T2、T3），也可學長期追蹤文獻，把人分成幾條軌跡 17：
一直都好睡（PSQI ≤5 維持）
一直都壞睡（PSQI >5 維持，且 |ΔPSQI| <3）
壞睡 → 明顯改善（起始 PSQI >5，且 ΔPSQI ≤ -3）
好睡 → 明顯惡化（起始 ≤5，且 ΔPSQI ≥ +3）
這些可以當作 descriptive 或 exploratory 分析，幫你故事更完整。
方法1: delta_psqi_t3_t1 ：PSQI_T3 - PSQI_T1
- 117筆
/Users/yuchi/PycharmProjects/PsyMl_ISI/.venv/bin/python /Users/yuchi/PycharmProjects/PsyMl_ISI/學長/lasso_ranking_delta_psqi.py
[模式] 排除模式
[資料] 來源=psqi_raw_data 目標=delta_psqi_t3_t1 (Regression)
樣本=117 特徵=37
總缺值比例：11.13%
[CV結果] (Metric: neg_MSE, larger is better)
alpha_min: 0.265609
alpha_1.0SE: 10
[選入變項 (1.0SE)] (前 30)
(No features selected)
[對照] alpha_min 選入變項數: 8 | alpha_1.0SE 選入變項數: 0
[選入變項 (alpha_min)] (前 30)
coef abs_coef
ERQ_CR -0.529748 0.529748
AGE -0.374757 0.374757
HRV_LF -0.328916 0.328916
SEX -0.277319 0.277319
SELF_EFFICACY_SCALE 0.201226 0.201226
EF_ENV_MONITOR -0.198511 0.198511
BDI_T1 -0.092877 0.092877
HRV_RESP_RATE -0.043986 0.043986
Lasso Regression (非lasso classfication)
方法2: 重歸納delta_psqi_t3_t1_recalc
分類規則與結果統計 (共 117 筆)：
* 類別 -1(惡化/無改善) (ΔPSQI ≥ +3)：20 人
* 類別 0 (持平/微幅波動) (-2 ≤ ΔPSQI ≤ +2)：69 人 (佔大多數)
* 類別 1 (明顯改善) (ΔPSQI ≤ -3)：28 人
/Users/yuchi/PycharmProjects/PsyMl_ISI/.venv/bin/python /Users/yuchi/PycharmProjects/PsyMl_ISI/學長/lasso_ranking_delta_psqi.py
[模式] 排除模式
[資料] 來源=psqi_raw_data 目標=delta_psqi_t3_t1_recalc (Regression)
樣本=117 特徵=37
總缺值比例：11.13%
[CV結果] (Metric: neg_MSE, larger is better)
alpha_min: 0.0657933
alpha_1.0SE: 10
[選入變項 (1.0SE)] (前 30)
(No features selected)
[對照] alpha_min 選入變項數: 6 | alpha_1.0SE 選入變項數: 0
[選入變項 (alpha_min)] (前 30)
coef abs_coef
HRV_LF 0.056423 0.056423
AGE 0.046259 0.046259
ERQ_CR 0.025898 0.025898
SEX 0.022938 0.022938
HRV_RESP_RATE 0.011232 0.011232
ERQ_ES_CR 0.001943 0.001943
方法3
-
13 67人
- < 5 66人
psqi_t1_513_raw
Users/yuchi/PycharmProjects/PsyMl_ISI/.venv/bin/python /Users/yuchi/PycharmProjects/PsyMl_ISI/學長/lasso_ranking_n.py
[模式] 排除模式
[資料] 來源=isi_raw_data 目標=psqi_t1_513_raw 樣本=129 特徵=37
已排除群組：['ACS', 'CPT', 'EEG', 'IGT', 'ISI', 'PSQI', 'WM']
總缺值比例：9.47%
[CV結果]（分數 = neg_log_loss，越大越好 → log_loss 越小）
lambda_min：C = 0.503524 | lambda = 1.986
lambda_1SE：C = 0.0713732 | lambda = 14.0109
[選入變項（1SE）] 以 |係數| 排序（前 30）
coef abs_coef
BAI_T1 0.702804 0.702804
BDI_T1 0.401945 0.401945
EF_MOTIVATION 0.157032 0.157032
EF_ENV_MONITOR 0.034605 0.034605
EF_EVERYDAY_SCALE 0.029888 0.029888
[對照] lambda_min 非零變項數：13，lambda_1SE 非零變項數：5
[選入變項（lambda_min）] 以 |係數| 排序（前 30）
coef abs_coef
BAI_T1 1.585108 1.585108
BDI_T1 1.085860 1.085860
AGE 0.586042 0.586042
EF_ENV_MONITOR 0.541940 0.541940
HRV_RESP_RATE 0.304907 0.304907
HRV_NN50 -0.297709 0.297709
ERQ_CR -0.242679 0.242679
HRV_LF 0.215345 0.215345
EF_MOTIVATION 0.206036 0.206036
EDU 0.142058 0.142058
HRV_LF_HF 0.054875 0.054875
SEX 0.043229 0.043229
ERQ_ES 0.022472 0.022472
[Top 10（路徑峰值）] 不綁定單一 C
WCST_PCT_CONCEPTUAL_T
BDI_T1
WCST_TOTAL_ERRORS_T
WCST_PCT_PERS_ERR_T
HRV_RESP_RATE
WCST_PCT_NONPERS_ERR_T
HRV_NN50
WCST_PERS_RESP_T
BAI_T1
WCST_NONPERS_ERR_T
/Users/yuchi/PycharmProjects/PsyMl_ISI/.venv/bin/python /Users/yuchi/PycharmProjects/PsyMl_ISI/學長/ml_benchmark_modular.py
[資料] 來源=isi_raw_data 目標=psqi_t1_513_raw 列數=128 特徵數=2
[特徵] 使用欄位（前 15）：['BDI_T1', 'BAI_T1']
[CV] Stratified 5-fold, seed=42 | class_weight=balanced
[聚合] K-fold = weighted | LOSO = weighted
[Leakage check] Class balance
count percent%
psqi_t1_513_raw
0 65 50.8
1 63 49.2
[Leakage check] 未發現與目標 |r| ≥ 0.95 的欄位。
=== Basic ML Benchmark (Stratified 5-fold CV) ===
model AUC F1_pos(=1) Prec_pos Rec_pos F1_neg(=0) Prec_neg Rec_neg MCC Accuracy Pred1_mean Pred0_mean
LogisticRegression 0.918 0.814 0.873 0.762 0.841 0.795 0.892 0.661 0.828 11.000 14.600
NaiveBayes 0.910 0.860 0.961 0.778 0.887 0.818 0.969 0.763 0.875 10.200 15.400
KNN 0.884 0.814 0.873 0.762 0.841 0.795 0.892 0.661 0.828 11.000 14.600
RandomForest 0.884 0.781 0.769 0.794 0.781 0.794 0.769 0.563 0.781 13.000 12.600
SVM 0.877 0.842 0.941 0.762 0.873 0.805 0.954 0.731 0.859 10.200 15.400
MLP 0.855 0.760 0.793 0.730 0.785 0.757 0.815 0.548 0.773 11.600 14.000
XGBoost 0.855 0.790 0.803 0.778 0.803 0.791 0.815 0.594 0.797 12.200 13.400
DecisionTree 0.794 0.785 0.761 0.810 0.778 0.803 0.754 0.564 0.781 13.400 12.200
--- Aggregated Confusion Matrix Sums (across all folds' test parts) ---
model TN_sum FP_sum FN_sum TP_sum
LogisticRegression 58 7 15 48
NaiveBayes 63 2 14 49
KNN 58 7 15 48
RandomForest 50 15 13 50
SVM 62 3 15 48
MLP 53 12 17 46
XGBoost 53 12 14 49
DecisionTree 49 16 12 51
[資料] 來源=isi_raw_data 目標=psqi_t1_513_raw 列數=128 特徵數=4
[特徵] 使用欄位（前 15）：['BDI_T1', 'BAI_T1', 'EF_MOTIVATION', 'EF_ENV_MONITOR']
[CV] Stratified 5-fold, seed=42 | class_weight=balanced
[聚合] K-fold = weighted | LOSO = weighted
[Leakage check] Class balance
count percent%
psqi_t1_513_raw
0 65 50.8
1 63 49.2
[Leakage check] 未發現與目標 |r| ≥ 0.95 的欄位。
=== Basic ML Benchmark (Stratified 5-fold CV) ===
model AUC F1_pos(=1) Prec_pos Rec_pos F1_neg(=0) Prec_neg Rec_neg MCC Accuracy Pred1_mean Pred0_mean
NaiveBayes 0.919 0.847 0.909 0.794 0.870 0.822 0.923 0.724 0.859 11.000 14.600
KNN 0.917 0.824 0.875 0.778 0.847 0.806 0.892 0.675 0.836 11.200 14.400
LogisticRegression 0.908 0.828 0.906 0.762 0.857 0.800 0.923 0.695 0.844 10.600 15.000
RandomForest 0.898 0.777 0.810 0.746 0.800 0.771 0.831 0.579 0.789 11.600 14.000
SVM 0.896 0.842 0.941 0.762 0.873 0.805 0.954 0.731 0.859 10.200 15.400
MLP 0.886 0.758 0.770 0.746 0.773 0.761 0.785 0.531 0.766 12.200 13.400
XGBoost 0.873 0.784 0.790 0.778 0.794 0.788 0.800 0.578 0.789 12.400 13.200
DecisionTree 0.828 0.828 0.815 0.841 0.828 0.841 0.815 0.657 0.828 13.000 12.600
--- Aggregated Confusion Matrix Sums (across all folds' test parts) ---
model TN_sum FP_sum FN_sum TP_sum
NaiveBayes 60 5 13 50
KNN 58 7 14 49
LogisticRegression 60 5 15 48
RandomForest 54 11 16 47
SVM 62 3 15 48
MLP 51 14 16 47
XGBoost 52 13 14 49
DecisionTree 53 12 10 53
[資料] 來源=isi_raw_data 目標=psqi_t1_513_raw 列數=128 特徵數=4
[特徵] 使用欄位（前 15）：['BDI_T1', 'BAI_T1', 'HRV_NN50', 'HRV_RESP_RATE']
[CV] Stratified 5-fold, seed=42 | class_weight=balanced
[聚合] K-fold = weighted | LOSO = weighted
[Leakage check] Class balance
count percent%
psqi_t1_513_raw
0 65 50.8
1 63 49.2
[Leakage check] 未發現與目標 |r| ≥ 0.95 的欄位。
=== Basic ML Benchmark (Stratified 5-fold CV) ===
model AUC F1_pos(=1) Prec_pos Rec_pos F1_neg(=0) Prec_neg Rec_neg MCC Accuracy Pred1_mean Pred0_mean
LogisticRegression 0.896 0.807 0.857 0.762 0.832 0.792 0.877 0.644 0.820 11.200 14.400
NaiveBayes 0.890 0.845 0.925 0.778 0.871 0.813 0.938 0.727 0.859 10.600 15.000
SVM 0.884 0.828 0.906 0.762 0.857 0.800 0.923 0.695 0.844 10.600 15.000
RandomForest 0.880 0.797 0.817 0.778 0.812 0.794 0.831 0.610 0.805 12.000 13.600
XGBoost 0.858 0.750 0.738 0.762 0.750 0.762 0.738 0.500 0.750 13.000 12.600
KNN 0.858 0.803 0.870 0.746 0.835 0.784 0.892 0.646 0.820 10.800 14.800
MLP 0.844 0.768 0.774 0.762 0.779 0.773 0.785 0.547 0.773 12.400 13.200
DecisionTree 0.789 0.791 0.773 0.810 0.787 0.806 0.769 0.579 0.789 13.200 12.400
--- Aggregated Confusion Matrix Sums (across all folds' test parts) ---
model TN_sum FP_sum FN_sum TP_sum
LogisticRegression 57 8 15 48
NaiveBayes 61 4 14 49
SVM 60 5 15 48
RandomForest 54 11 14 49
XGBoost 48 17 15 48
KNN 58 7 16 47
MLP 51 14 15 48
DecisionTree 50 15 12 51
[資料] 來源=isi_raw_data 目標=psqi_t1_513_raw 列數=128 特徵數=4
[特徵] 使用欄位（前 15）：['BDI_T1', 'BAI_T1', 'IGT_DECK_B', 'IGT_DECK_D']
[CV] Stratified 5-fold, seed=42 | class_weight=balanced
[聚合] K-fold = weighted | LOSO = weighted
[Leakage check] Class balance
count percent%
psqi_t1_513_raw
0 65 50.8
1 63 49.2
[Leakage check] 未發現與目標 |r| ≥ 0.95 的欄位。
=== Basic ML Benchmark (Stratified 5-fold CV) ===
model AUC F1_pos(=1) Prec_pos Rec_pos F1_neg(=0) Prec_neg Rec_neg MCC Accuracy Pred1_mean Pred0_mean
NaiveBayes 0.927 0.855 0.926 0.794 0.878 0.824 0.938 0.741 0.867 10.800 14.800
LogisticRegression 0.925 0.824 0.875 0.778 0.847 0.806 0.892 0.675 0.836 11.200 14.400
SVM 0.910 0.797 0.855 0.746 0.826 0.781 0.877 0.629 0.812 11.000 14.600
MLP 0.908 0.803 0.831 0.778 0.821 0.797 0.846 0.626 0.812 11.800 13.800
RandomForest 0.891 0.797 0.817 0.778 0.812 0.794 0.831 0.610 0.805 12.000 13.600
XGBoost 0.880 0.778 0.778 0.778 0.785 0.785 0.785 0.562 0.781 12.600 13.000
KNN 0.867 0.790 0.839 0.746 0.818 0.778 0.862 0.612 0.805 11.200 14.400
DecisionTree 0.750 0.746 0.746 0.746 0.754 0.754 0.754 0.500 0.750 12.600 13.000
--- Aggregated Confusion Matrix Sums (across all folds' test parts) ---
model TN_sum FP_sum FN_sum TP_sum
NaiveBayes 61 4 13 50
LogisticRegression 58 7 14 49
SVM 57 8 16 47
MLP 55 10 14 49
RandomForest 54 11 14 49
XGBoost 51 14 14 49
KNN 56 9 16 47
DecisionTree 49 16 16 47
[資料] 來源=isi_raw_data 目標=psqi_t1_513_raw 列數=128 特徵數=5
[特徵] 使用欄位（前 15）：['BDI_T1', 'BAI_T1', 'CPT_OMISSION_T', 'IGT_DECK_B', 'IGT_DECK_D']
[CV] Stratified 5-fold, seed=42 | class_weight=balanced
[聚合] K-fold = weighted | LOSO = weighted
[Leakage check] Class balance
count percent%
psqi_t1_513_raw
0 65 50.8
1 63 49.2
[Leakage check] 未發現與目標 |r| ≥ 0.95 的欄位。
=== Basic ML Benchmark (Stratified 5-fold CV) ===
model AUC F1_pos(=1) Prec_pos Rec_pos F1_neg(=0) Prec_neg Rec_neg MCC Accuracy Pred1_mean Pred0_mean
LogisticRegression 0.931 0.829 0.850 0.810 0.842 0.824 0.862 0.672 0.836 12.000 13.600
NaiveBayes 0.931 0.857 0.911 0.810 0.876 0.833 0.923 0.738 0.867 11.200 14.400
RandomForest 0.910 0.848 0.855 0.841 0.855 0.848 0.862 0.703 0.852 12.400 13.200
XGBoost 0.906 0.828 0.815 0.841 0.828 0.841 0.815 0.657 0.828 13.000 12.600
SVM 0.899 0.797 0.855 0.746 0.826 0.781 0.877 0.629 0.812 11.000 14.600
MLP 0.889 0.816 0.823 0.810 0.824 0.818 0.831 0.641 0.820 12.400 13.200
KNN 0.873 0.780 0.836 0.730 0.812 0.767 0.862 0.598 0.797 11.000 14.600
DecisionTree 0.774 0.772 0.766 0.778 0.775 0.781 0.769 0.547 0.773 12.800 12.800
--- Aggregated Confusion Matrix Sums (across all folds' test parts) ---
model TN_sum FP_sum FN_sum TP_sum
LogisticRegression 56 9 12 51
NaiveBayes 60 5 12 51
RandomForest 56 9 10 53
XGBoost 53 12 10 53
SVM 57 8 16 47
MLP 54 11 12 51
KNN 56 9 17 46
DecisionTree 50 15 14 49
[資料] 來源=isi_raw_data 目標=psqi_t1_513_raw 列數=128 特徵數=3
[特徵] 使用欄位（前 15）：['BDI_T1', 'BAI_T1', 'CPT_OMISSION_T']
[CV] Stratified 5-fold, seed=42 | class_weight=balanced
[聚合] K-fold = weighted | LOSO = weighted
[Leakage check] Class balance
count percent%
psqi_t1_513_raw
0 65 50.8
1 63 49.2
[Leakage check] 未發現與目標 |r| ≥ 0.95 的欄位。
=== Basic ML Benchmark (Stratified 5-fold CV) ===
model AUC F1_pos(=1) Prec_pos Rec_pos F1_neg(=0) Prec_neg Rec_neg MCC Accuracy Pred1_mean Pred0_mean
LogisticRegression 0.923 0.817 0.904 0.746 0.851 0.789 0.923 0.681 0.836 10.400 15.200
NaiveBayes 0.915 0.857 0.911 0.810 0.876 0.833 0.923 0.738 0.867 11.200 14.400
RandomForest 0.906 0.836 0.864 0.810 0.851 0.826 0.877 0.688 0.844 11.800 13.800
SVM 0.904 0.862 0.943 0.794 0.886 0.827 0.954 0.759 0.875 10.600 15.000
XGBoost 0.900 0.816 0.823 0.810 0.824 0.818 0.831 0.641 0.820 12.400 13.200
KNN 0.883 0.816 0.823 0.810 0.824 0.818 0.831 0.641 0.820 12.400 13.200
MLP 0.855 0.812 0.800 0.825 0.812 0.825 0.800 0.625 0.812 13.000 12.600
DecisionTree 0.835 0.827 0.786 0.873 0.813 0.862 0.769 0.645 0.820 14.000 11.600
--- Aggregated Confusion Matrix Sums (across all folds' test parts) ---
model TN_sum FP_sum FN_sum TP_sum
LogisticRegression 60 5 16 47
NaiveBayes 60 5 12 51
RandomForest 57 8 12 51
SVM 62 3 13 50
XGBoost 54 11 12 51
KNN 54 11 12 51
MLP 52 13 11 52
DecisionTree 50 15 8 55
[資料] 來源=isi_raw_data 目標=psqi_t1_513_raw 列數=128 特徵數=3
[特徵] 使用欄位（前 15）：['BDI_T1', 'BAI_T1', 'WM_SCALE_SCORE']
[CV] Stratified 5-fold, seed=42 | class_weight=balanced
[聚合] K-fold = weighted | LOSO = weighted
[Leakage check] Class balance
count percent%
psqi_t1_513_raw
0 65 50.8
1 63 49.2
[Leakage check] 未發現與目標 |r| ≥ 0.95 的欄位。
=== Basic ML Benchmark (Stratified 5-fold CV) ===
model AUC F1_pos(=1) Prec_pos Rec_pos F1_neg(=0) Prec_neg Rec_neg MCC Accuracy Pred1_mean Pred0_mean
LogisticRegression 0.928 0.810 0.845 0.778 0.830 0.800 0.862 0.642 0.820 11.600 14.000
NaiveBayes 0.915 0.870 0.962 0.794 0.894 0.829 0.969 0.777 0.883 10.400 15.200
MLP 0.909 0.803 0.797 0.810 0.806 0.812 0.800 0.609 0.805 12.800 12.800
SVM 0.894 0.814 0.920 0.730 0.853 0.782 0.938 0.685 0.836 10.000 15.600
RandomForest 0.892 0.803 0.831 0.778 0.821 0.797 0.846 0.626 0.812 11.800 13.800
XGBoost 0.884 0.813 0.833 0.794 0.827 0.809 0.846 0.641 0.820 12.000 13.600
KNN 0.880 0.800 0.885 0.730 0.837 0.776 0.908 0.649 0.820 10.400 15.200
DecisionTree 0.774 0.779 0.750 0.810 0.768 0.800 0.738 0.549 0.773 13.600 12.000
--- Aggregated Confusion Matrix Sums (across all folds' test parts) ---
model TN_sum FP_sum FN_sum TP_sum
LogisticRegression 56 9 14 49
NaiveBayes 63 2 13 50
MLP 52 13 12 51
SVM 61 4 17 46
RandomForest 55 10 14 49
XGBoost 55 10 13 50
KNN 59 6 17 46
DecisionTree 48 17 12 51
-
delta_psqi_t3_t1_recalc_new -
delta-psqi_t2_t1_recalc -
2:
/Users/yuchi/PycharmProjects/PsyMl_ISI/.venv/bin/python /Users/yuchi/PycharmProjects/PsyMl_ISI/學長/lasso_ranking_n.py
[模式] 排除模式
[資料] 來源=isi_raw_data 目標=delta-psqi_t2_t1_recalc 樣本=145 特徵=37
已排除群組：['ACS', 'CPT', 'EEG', 'IGT', 'ISI', 'PSQI', 'WM']
總缺值比例：8.16%
[CV結果]（分數 = neg_log_loss，越大越好 → log_loss 越小）
lambda_min：C = 0.0556867 | lambda = 17.9576
lambda_1SE：C = 0.0477231 | lambda = 20.9542
[選入變項（1SE）] 以 |係數| 排序（前 30）
（無變項被選入；可放寬正則或檢查特徵）
[對照] lambda_min 非零變項數：0，lambda_1SE 非零變項數：0
[Top 10（路徑峰值）] 不綁定單一 C
WCST_PCT_CONCEPTUAL_T
WCST_PCT_PERS_ERR_T
WCST_PCT_ERRORS_T
WCST_PCT_PERS_RESP_T
HRV_RMSSD_MS
BAI_T1
BDI_T1
ERQ_CR
WCST_TOTAL_ERRORS_T
AGE
进程已结束，退出代码为 0
- t3-t1:
/Users/yuchi/PycharmProjects/PsyMl_ISI/.venv/bin/python /Users/yuchi/PycharmProjects/PsyMl_ISI/學長/ml_benchmark_modular.py
[資料] 來源=isi_raw_data 目標=delta_psqi_t3_t1_recalc_new 列數=71 特徵數=2
[特徵] 使用欄位（前 15）：['BDI_T1', 'BAI_T1']
[CV] Stratified 5-fold, seed=42 | class_weight=balanced
[聚合] K-fold = weighted | LOSO = weighted
[Leakage check] Class balance
count percent%
delta_psqi_t3_t1_recalc_new
0 37 52.1
1 34 47.9
[Leakage check] 未發現與目標 |r| ≥ 0.95 的欄位。
=== Basic ML Benchmark (Stratified 5-fold CV) ===
model AUC F1_pos(=1) Prec_pos Rec_pos F1_neg(=0) Prec_neg Rec_neg MCC Accuracy Pred1_mean Pred0_mean
MLP 0.622 0.609 0.600 0.618 0.630 0.639 0.622 0.239 0.620 7.000 7.200
LogisticRegression 0.602 0.567 0.576 0.559 0.613 0.605 0.622 0.181 0.592 6.600 7.600
XGBoost 0.539 0.459 0.519 0.412 0.593 0.545 0.649 0.062 0.535 5.400 8.800
RandomForest 0.525 0.462 0.484 0.441 0.545 0.525 0.568 0.009 0.507 6.200 8.000
DecisionTree 0.513 0.514 0.500 0.529 0.528 0.543 0.514 0.043 0.521 7.200 7.000
NaiveBayes 0.503 0.533 0.488 0.588 0.478 0.533 0.432 0.021 0.507 8.200 6.000
SVM 0.481 0.542 0.640 0.471 0.675 0.609 0.757 0.238 0.620 5.000 9.200
KNN 0.393 0.417 0.395 0.441 0.400 0.424 0.378 -0.181 0.408 7.600 6.600
--- Aggregated Confusion Matrix Sums (across all folds' test parts) ---
model TN_sum FP_sum FN_sum TP_sum
MLP 23 14 13 21
LogisticRegression 23 14 15 19
XGBoost 24 13 20 14
RandomForest 21 16 19 15
DecisionTree 19 18 16 18
NaiveBayes 16 21 14 20
SVM 28 9 18 16
KNN 14 23 19 15
[資料] 來源=isi_raw_data 目標=delta-psqi_t2_t1_recalc 列數=145 特徵數=2
[特徵] 使用欄位（前 15）：['BDI_T1', 'BAI_T1']
[CV] Stratified 5-fold, seed=42 | class_weight=balanced
[聚合] K-fold = weighted | LOSO = weighted
[Leakage check] Class balance
count percent%
delta-psqi_t2_t1_recalc
0 65 44.8
1 80 55.2
[Leakage check] 未發現與目標 |r| ≥ 0.95 的欄位。
=== Basic ML Benchmark (Stratified 5-fold CV) ===
model AUC F1_pos(=1) Prec_pos Rec_pos F1_neg(=0) Prec_neg Rec_neg MCC Accuracy Pred1_mean Pred0_mean
MLP 0.573 0.600 0.600 0.600 0.508 0.508 0.508 0.108 0.559 16.000 13.000
LogisticRegression 0.552 0.522 0.621 0.450 0.566 0.494 0.662 0.113 0.545 11.600 17.400
SVM 0.477 0.521 0.576 0.475 0.514 0.468 0.569 0.044 0.517 13.200 15.800
DecisionTree 0.477 0.458 0.516 0.412 0.466 0.420 0.523 -0.065 0.462 12.800 16.200
NaiveBayes 0.465 0.638 0.562 0.738 0.362 0.475 0.292 0.033 0.538 21.000 8.000
XGBoost 0.455 0.510 0.519 0.500 0.421 0.412 0.431 -0.069 0.469 15.400 13.600
RandomForest 0.445 0.528 0.532 0.525 0.427 0.424 0.431 -0.044 0.483 15.800 13.200
KNN 0.422 0.551 0.529 0.575 0.390 0.414 0.369 -0.057 0.483 17.400 11.600
--- Aggregated Confusion Matrix Sums (across all folds' test parts) ---
model TN_sum FP_sum FN_sum TP_sum
MLP 33 32 32 48
LogisticRegression 43 22 44 36
SVM 37 28 42 38
DecisionTree 34 31 47 33
NaiveBayes 19 46 21 59
XGBoost 28 37 40 40
RandomForest 28 37 38 42
KNN 24 41 34 46