| name | dnn-tuning |
| category | 调参优化 |
| description | 【DNN调参】当用户说"DNN调参"、"深度学习调参"、"调整网络结构"、"调整dropout"、"DNN过拟合"时使用。基于 Optuna TPE 贝叶斯优化，搜索网络架构（层数、宽度、dropout）和训练参数（learning_rate、weight_decay、batch_size），诊断驱动约束搜索空间。前置条件：需先用 dnn-modeling 训练出基线模型。 |
| next_steps | [{"skill":"model-comparison","text":"多算法对比评估","prompt":"与XGBoost和LR对比一下效果"}] |
DNN 深度学习参数调优 (portable)
DNN 调参的唯一入口，基于 _vendor/tuning/dnn_engine.DNNTuningEngine。
核心设计：搜索期间缩减 epochs（加速），诊断驱动动态约束搜索空间。
调优流程
基线 DNN 模型 → 诊断分析(过拟合/欠拟合) → 约束空间构造 → Optuna 搜索(30 epochs) → 最优参数 → 迭代
执行模式
| 模式 | 触发条件 | 行为 |
|---|
| 交互式（默认） | 用户说"调参"/"帮我调一下DNN" | 每轮暂停等待用户反馈 |
| AUTO | 用户说"自动调优"/"帮我调到最优" | Agent 自动迭代直到收敛 |
默认模式: 交互式（更安全，用户可控）
参数说明
| 参数 | 必选 | 默认值 | 说明 |
|---|
--data_path / -d | ✅ | - | 数据文件路径（parquet/csv） |
--target / -t | ✅ | - | 目标变量列名（0/1 二分类） |
--features | | 自动推断 | 特征列表，逗号分隔 |
--time_col | | busi_dt | 时间列名 |
--train_filter | | 自动切分 | 训练集筛选条件 |
--val_filter | | val_ratio 切出 | 验证集筛选条件 |
--oot_filter | | 按时间切出 | OOT 条件 |
--oot_ratio | | 0.20 | OOT 占比 |
--val_ratio | | 0.25 | Val 占比 |
--random_seed | | 42 | 随机种子 |
--exclude_cols | | - | 排除列，逗号分隔 |
--n_layers | | 3 | 隐藏层数 |
--layer_width | | 128 | 首层宽度 |
--dropout | | 0.3 | Dropout 率 |
--learning_rate | | 0.001 | 学习率 |
--weight_decay | | 1e-4 | L2 正则化 |
--batch_size | | 512 | 批次大小 |
--epochs | | 100 | 完整训练 epochs |
--search_epochs | | 30 | 搜索期间 epochs（加速） |
--round / -r | | 0 | 当前轮次 |
--max_rounds | | 5 | 最大调优轮数 |
--auto | | - | 自动调优模式（flag） |
--metric | | auc | 评估指标 |
--model_name | | 自动生成 | 模型名称 |
--output_dir | | ./outputs/<ts> | 产物输出目录 |
--config | | - | JSON 配置路径 |
搜索空间
| 参数 | 类型 | 范围 | 说明 |
|---|
| n_layers | int | 2-4 | 隐藏层数 |
| layer_width | int | 32-256 | 首层宽度（递减结构） |
| dropout | float | 0.1-0.5 | Dropout 比率 |
| learning_rate | float(log) | 1e-4 ~ 0.01 | Adam 学习率 |
| weight_decay | float(log) | 1e-5 ~ 1e-3 | L2 正则化 |
| batch_size | categorical | 128/256/512/1024 | 批次大小 |
诊断驱动策略
| 诊断 | dropout | weight_decay | n_layers | layer_width |
|---|
| 过拟合 | ↑ 抬高 | ↑ 增强 | ↓ 减少 | ↓ 缩小 |
| 欠拟合 | ↓ 降低 | ↓ 减弱 | ↑ 增加 | ↑ 增大 |
| 拟合良好 | ±微调 | ±微调 | ±微调 | ±微调 |
执行方式
交互式模式（单轮调优）
python scripts/tuner.py \
--data_path ./data.parquet --target y_label \
--round 1 --output_dir ./outputs/dnn_tuning
AUTO 模式（自动调优循环）
python scripts/tuner.py \
--data_path ./data.parquet --target y_label \
--auto --max_rounds 5 --output_dir ./outputs/dnn_tuning
调优策略
策略1：抗过拟合
适用条件：Train-Val Gap > 0.05
调整方向：
dropout: 当前值 + 0.1（上限 0.5）weight_decay: 当前值 × 2n_layers: 当前值 - 1（最小为 2）layer_width: 当前值 - 32（最小为 32）
策略2：增强拟合
适用条件：Val AUC < 0.58 且 Gap < 0.03
调整方向：
n_layers: 当前值 + 1（最大为 4）layer_width: 当前值 + 32（最大为 256）weight_decay: 当前值 × 0.5learning_rate: 当前值 × 1.2
策略3：精细微调
适用条件：Gap ∈ [0.03, 0.05]，模型状态良好
调整方向：
learning_rate: 小幅调整 ±20%dropout: 小幅调整 ±0.05- 其他参数保持不变
策略4：收敛判定
条件：连续2轮 Val 指标提升 < 0.001
行为：停止调优，输出最终结果
输出格式规范
与 xgb-tuning 保持一致的逐轮诊断报告格式。
每轮调优结束后，必须输出以下结构化信息：
### 第 N 轮 DNN 调优结果
**参数变化**:
| 参数 | 上一轮 | 本轮 | 调整原因 |
|------|-------|------|----------|
| n_layers | 3 | 3 | 不变 |
| layer_width | 128 | 96 | 降低过拟合 |
| dropout | 0.3 | 0.4 | 增强正则化 |
**效果对比**:
| 指标 | 上一轮 | 本轮 | 变化 |
|------|-------|------|------|
| Val AUC | 0.72 | 0.73 | +0.01 ✓ |
| OOT AUC | 0.70 | 0.71 | +0.01 ✓ |
| Gap | 0.06 | 0.04 | -0.02 ✓ |
**诊断结论**: 轻微过拟合（Gap 下降但仍 > 0.03）
**下一步建议**: 可继续微调 dropout，或接受当前结果
与其他技能的关系
| 技能 | 职责 | 关系 |
|---|
dnn-modeling | 基线建模 | 前置：需先用其训练出基线模型 |
model-comparison | 多算法对比 | 后续：可与 XGB/LR 做公平对比 |
xgb-tuning | XGBoost 调参 | 平行：同数据不同算法的调参 |
注意事项
- 数据要求：目标变量必须为 0/1 二分类
- 搜索加速：搜索期间使用
search_epochs=30，最终模型使用 epochs=100
- 收敛判定：连续2轮提升不足 0.001 自动停止
- 最大轮数：默认最多 5 轮
- 产物位置：模型和报告保存到
<output_dir>/models/ 和 <output_dir>/
