Tidymodels下不平衡嵌套数据的多层跑步损伤预测实现问询

1. 嵌套结构不平衡数据的重采样方案 #

• 合成类重采样优先选择多级SMOTE（Multi-level SMOTE）：该算法会按跑步者ID分层，仅在存在损伤阳性样本的组内合成少数类样本，完全保留嵌套结构与组间异质性，不会破坏同一跑步者的特征关联。也可基于现有阳性样本的随机效应分布生成合成样本，适配多层模型的输入要求。
• 若无法实现合成方案，可采用无损伤样本欠采样，但必须按组欠采样：仅对无损伤记录的跑步者整体删除部分完整观测序列，不可跨组随机抽选样本，避免破坏同一跑步者的时间序列连续性。欠采样比例建议控制在阴性:阳性=3:1~5:1区间，避免过度丢失全局信息。

2. Tidymodels生态多层建模路径可行性 #

• multilevelmod对接stan-glmer的方案本身可行，报错多为语法或预处理顺序问题，修正后可正常运行。
• 按跑步者ID嵌套的多模型方案效果不稳定是必然问题，核心原因是单个跑步者样本量不足以支撑独立建模。
• embed包拟合混合效应广义线性模型的路径完全可行：使用step_lencode_glm()可将跑步者ID的随机效应编码为固定特征，本质是对混合效应的经验贝叶斯估计，可对接常规逻辑回归，完美适配Tidymodels全工作流，适合当前场景。

3. 两类报错修正方案 #

不存在'Patient'列报错 #

属于模板代码残留问题，将公式、预处理步骤中所有的Patient字段替换为Runner即可，当前数据集仅存在Runner作为用户ID列。

All columns selected for the step should be numeric报错 #

错误来源于预处理步骤顺序错误，以及未正确定义ID列角色，修正后的Recipe与代码逻辑如下：

# 修正模型定义
mlbr_mod <- logistic_reg() %>%
  set_engine("stan-glmer") %>%
  set_mode("classification")

# 修正预处理Recipe
mlbr_mod_recipe <- recipe(NewRRI ~ ., data = RunningData_train) %>%
  # 将Runner设为ID列，不参与常规预处理与SMOTE计算
  update_role(Runner, new_role = "ID") %>%
  # 对所有名义预测变量做哑变量编码，转换为数值型
  step_dummy(all_nominal_predictors()) %>%
  # SMOTE仅在训练集生效，测试集跳过
  step_smote(NewRRI, over_ratio = 0.5, skip = TRUE)

# 修正工作流与拟合逻辑
mlbr_mod_workflow <- workflow() %>% 
  add_recipe(mlbr_mod_recipe) %>%
  add_model(mlbr_mod, formula = NewRRI ~ . + (1|Runner))

# 拟合时替换拆分对象为正确的Df_splits
mlbr_last_fit <- mlbr_mod_workflow %>% 
  last_fit(Df_splits, 
           metrics = metric_set(bal_accuracy, accuracy, f_meas, precision, 
                                roc_auc, sensitivity, recall, kap))

额外需注意原代码中大量赋值运算符、管道符书写错误，需统一修正为<-与%>%。

4. 嵌套多模型与多层模型的效果对比 #

按跑步者nest()单独建模的方案完全无法替代多层模型的效果：多层模型的核心优势是通过**部分池化（Partial pooling）**同时利用群体级信息和个体级信息，对于样本量极少的个体，会向群体均值收缩估计，避免过拟合；而单独建模每个跑步者属于完全无池化，个体样本量不足的情况下估计偏差极大，效果不稳定，无法达到多层模型的性能。

5. SMOTE-NC/ENC方案适用性 #

SMOTE-NC/ENC完全适用于本场景：你提到的新增样本需依附现有Runner ID的特性不属于缺陷，正好适配嵌套结构要求：合成的阳性样本直接归属到对应跑步者ID下，保留该跑步者的静态特征（性别、年龄、BMI、既往损伤史），仅对动态训练特征（距离、心率等）做插值合成，不会破坏嵌套结构，可直接对接后续多层模型。

内容的提问来源于stack exchange，提问作者LB.