Ein reproduzierbares Log-gesteuertes AutoML-Framework für interpretierbare Pipeline-Optimierung in der Healthcare-Risikovorhersage

Genaue und reproduzierbare Krankheitsrisikovorhersagen bleiben eine Herausforderung aufgrund heterogener Features, begrenzter Samples und schwerwiegender Klassenunausgeglichenheit. Diese Studie stellt yvsoucom-iterkit vor, ein deterministisches und log-gesteuertes Automated-Machine-Learning-Framework.