메뉴
【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。
Codex 또는 Claude로 설치 이 Prompt를 복사해 Codex, Claude 또는 다른 어시스턴트에 붙여 넣으면 Skill 페이지를 검토하고 설치를 진행할 수 있습니다.
SOC 직업 분류 기준
| 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 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。
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
| 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 | 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 |
| 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 | 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 |
python scripts/tuner.py \
--data_path ./data.parquet --target y_label \
--round 1 --output_dir ./outputs/dnn_tuning
python scripts/tuner.py \
--data_path ./data.parquet --target y_label \
--auto --max_rounds 5 --output_dir ./outputs/dnn_tuning
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）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
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
| 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 |
search_epochs=30，最终模型使用 epochs=100<output_dir>/models/ 和 <output_dir>/理赔核赔全案复审与决策专家。整合全案复审、流程合规检查能力。核查材料齐全性、立案合理性、医审核定准确性、理算计算正确性及作业规范性，综合输出核赔决策（准赔/减赔/拒赔/挂起）。当核赔专员需要对已完成医审和理算的案件进行终审决策、发现疑点需复核时触发。适用于核赔岗全案审核、赔付决策、案件质检场景。触发词：全案复审、怎么判、审核结论汇总。
理赔理算校验与调度专家。对进入理算环节的案件进行准入审查和数据完整性校验，确认理算前置条件满足后，通过MCP调用理算引擎完成实际金额计算，输出标准化理算书。当案件完成医审和责任认定后进入理算环节、需要计算应赔金额、生成理算书时触发。适用于理赔理算前置校验、理算参数校验、理算书生成场景。触发词：赔多少、理算、赔付金额。
"理赔报案受理与案件登记专家。整合报案信息结构化提取、保单状态核验、重复报案检测能力，提取出险时间、事故经过、伤亡情况、保单信息等关键要素，生成标准化报案记录并分配案件编号。当客户拨打报案电话、提交报案申请或上传报案材料时触发。适用于理赔受理岗报案登记、报案信息结构化录入、案件初始档案建立场景。触发词："报案登记"、"案件登记"、"报案受理"、"录入案件"。 触发词：理赔报案、案件录入、重复报案。"
"保险理赔材料智能分析工具。整合材料分类、OCR提取、完整性检查、单证审核、一致性校验、发票交叉验证、病程时间线梳理能力。采用前置解析+按需复用架构，基于多模态大模型对理赔图片文档进行全链路分析，输出标准化目录结构、病程摘要和审计报告。当用户需要对理赔材料、保险单证、医疗票据进行分类整理，或提及理赔材料分类、保险文档归档、医疗发票识别、材料审核、病程时间线时使用。触发词："理赔材料分类"、"材料完整性检查"、"材料一致性校验"、"理赔交叉验证"、"材料全量审核"、"病程时间线"。 触发词：理赔材料、材料齐不齐、病程时间线。"
对理赔案件进行多维度欺诈风险检测，综合分析材料一致性、行为模式、历史记录等信息，计算欺诈风险评分，识别虚假理赔、骗保欺诈等可疑信号。当需要评估理赔案件欺诈风险、识别可疑骗保行为、对高风险案件进行预警时触发。适用于理赔欺诈筛查、可疑案件调查决策、反欺诈合规管理场景。触发词：欺诈风险、骗保嫌疑、欺诈评分。
理赔结案通知与客户沟通专家。生成标准化的理赔通知书（赔付/拒赔/补件），并配套口头沟通话术与情绪安抚指导，确保书面函件合规、口头沟通专业。当需要出具理赔结果通知、生成拒赔说明书、通知客户补充材料、告知赔付金额，或需要与客户进行拒赔解释、情绪安抚时触发。适用于理赔结案通知生成、拒赔函件起草、补件通知书制作、客户沟通话术辅助场景。触发词：结案通知、通知客户、理赔通知书。