training_evaluation

# PyHealth 训练、评估与可解释性 ## 概述 PyHealth 提供了全面的工具，用于临床应用中的模型训练、预测评估、确保模型可靠性以及解释结果。 ## Trainer 类 ### 核心功能 `Trainer` 类通过 PyTorch 集成管理完整的模型训练和评估工作流。 **初始化：** python from pyhealth.trainer import Trainer trainer = Trainer( model=model, # PyHealth 或 PyTorch 模型 device="cuda", # 或 "cpu" ) ### 训练 **train() 方法** 通过全面的监控和检查点保存功能来训练模型。 **参数：** - `train_dataloader`: 训练数据加载器 - `val_dataloader`: 验证数据加载器 (可选) - `test_dataloader`: 测试数据加载器 (可选) - `epochs`: 训练轮数 - `optimizer`: 优化器实例或类 - `learning_rate`: 学习率 (默认: 1e-3) - `weight_decay`: L2 正则化 (默认: 0) - `max_grad_norm`: 梯度裁剪阈值 - `monitor`: 监控指标 (例如: "pr_auc_score") - `monitor_criterion`: "max" 或 "min" - `save_path`: 检查点保存目录 **用法：** python trainer.train( train_dataloader=train_loader, val_dataloader=val_loader, test_dataloader=test_loader, epochs=50, optimizer=torch.optim.Adam, learning_rate=1e-3, weight_decay=1e-5, max_grad_norm=5.0, monitor="pr_auc_score", monitor_criterion="max", save_path="./checkpoints" ) **训练特性：** 1. **自动检查点 (Automatic Checkpointing)**: 根据监控指标保存最佳模型 2. **早停 (Early Stopping)**: 如果性能不再提升则停止训练 3. **梯度裁剪 (Gradient Clipping)**: 防止梯度爆炸 4. **进度跟踪 (Progress Tracking)**: 显示训练进度和指标 5. **多 GPU 支持 (Multi-GPU Support)**: 自动设备分配 ### 推理 **inference() 方法** 在数据集上执行预测。 **参数：** - `dataloader`: 推理数据加载器 - `additional_outputs`: 需要返回的其他输出列表 - `return_patient_ids`: 返回患者标识符 **用法：** python predictions = trainer.inference( dataloader=test_loader, additional_outputs=["attention_weights", "embeddings"], return_patient_ids=True ) **返回：** - `y_pred`: 模型预测结果 - `y_true`: 真实标签 - `patient_ids`: 患者标识符 (如果请求) - 其他输出 (如果指定) ### 评估 **evaluate() 方法** 计算全面的 e