基于Ninja优化与AutoInt的预期寿命预测分阶段框架研究

《Scientific Reports》：Metaheuristic and deep tabular learning framework for life expectancy prediction using Ninja Optimization Algorithm

　　

摘要

预期寿命预测仍然是一个极具挑战性的公共卫生回归问题，因为其决定因素分布在死亡状况、疫苗接种覆盖率、医疗支出、营养、教育和社会经济发展中，从而形成了一个异质的表格特征空间，其中的冗余和交互效应可能会削弱预测学习效果。为应对这一挑战，本研究开发了一个以 Ninja 优化算法（Ninja）和基于自注意力神经网络的自动特征交互学习（AutoInt）为中心的分阶段框架，其中 Ninja 用于二元特征选择和超参数优化；值得注意的是，这里的 Ninja–AutoInt 组合是在应用场景中进行评估，而非作为新的算法提案引入。利用 Kaggle 清理后国家预期寿命数据集/缩放国家预期寿命数据集，本研究首先在原始特征空间上对一组表格预测器进行基准评估，包括深度表格学习模型以及基于树的基线 LightGBM 和 XGBoost，其中 AutoInt 提供了最强的基线性能，决定系数 (\(R^2\)) \(=0.84614\)。在特征选择阶段，二元 Ninja (bNinja) 产生了最佳的总体子集搜索表现，平均适应度 \(=0.49517\)。特征选择后的重新训练进一步将 AutoInt 提升至 \(R^2=0.90947\)。最后，经过超参数优化的 Ninja + AutoInt 实现了最强的总体结果，\(R^2=0.97200\)。为了增强框架的经验可靠性和实际可解释性，修订后的评估还结合了包含均值和标准差分析的 10 折鲁棒性报告、组件级消融、计算成本评估以及基于 SHAP 的基线 AutoInt 模型解释。这些发现表明，预期寿命预测受益于一个协同管线，在该管线中特征空间优化和模型空间优化被联合处理，为更可靠的循证公共卫生分析提供了一个具有技术依据的框架。