PsyML Toolkit

为什么做这个项目

我最早在学习心理学和分析行为数据时接触到机器学习。本科阶段，我写代码处理数据、运行模型，一边学习不同的算法，一边了解它们如何用于心理学数据。那时，这些代码只是帮助我学习和研究的工具。

几年后，我重新整理这些代码，开始思考：“怎样把机器学习的各个步骤组织起来，让它更符合心理学研究者的工作习惯？”PsyML Toolkit 就这样逐渐发展起来。

现在做到哪了

PsyML Toolkit 把数据检查、研究设计设置、模型比较、嵌套验证、结果解释和复现所需材料的导出整合到本地工具中。v0.3.0 在保存模型和批量预测之外，进一步补强了理解结果的部分：结果页会把成功运行的指标与同一验证下的 Dummy 基线对照，并汇总折间波动与失败情况；可选的置换重要性与单样本 SHAP 解释，以及拟合系数，分别说明哪些变量影响预测、单个样本的预测如何构成，以及模型在预处理后坐标空间中的参数。

图形界面和命令行共用同一个 Python 分析核心，独立桌面版自带运行环境。快速入门示例使用合成数据，演示从训练、保存模型到预测的完整过程。

这个项目对我的意义

这个项目让我把心理学背景与科研工具开发的兴趣结合起来。我希望软件能把分析中的各项选择交代清楚，方便研究者按实际需要操作，也保留理解和复现分析所需的信息。研究中的科学判断，仍然需要研究者自己完成。

主要功能

• 读取九种表格和统计数据格式，在本地检查数据，设置变量用途和研究设计；数据检查会给出各列的非缺失数、唯一值、类别数量与占比，并提示疑似编号列，不会自动删列。
• 支持分类、回归、预处理、模型比较、参数选择、六种验证策略和 23 个按任务划分的模型选项。
• 结果页把成功运行的结果与同一验证、同一组折、同一指标的 Dummy 基线对照，并汇总折间波动与失败情况；可开启的置换重要性按验证和折输出带正负方向的重要性结果。
• 指定主要验证并开启模型保存后，可保存最终的 scikit-learn Pipeline（包含预处理和模型的完整流程）。加载可信来源的模型后，自动匹配、检查新数据的变量，再批量预测并导出结果；还可以查看单个样本的 SHAP 解释和拟合系数。
• 导出预测结果、图表、方法说明、警告、模型信息，以及复现分析所需的材料。
• 界面支持中文、英文和法文；报告支持中文和英文。

使用须知

输入数据在本机处理。只有指定主要验证并开启保存选项，才会生成最终模型；不指定主要验证时，不会生成全局最终模型。加载 joblib / pickle 文件可能执行其中的代码，因此只应加载可信来源的模型。

交叉验证与嵌套验证用于评估训练和模型选择流程的表现，不能保证保存的模型在未来数据上同样有效。对新数据生成预测，也不等于完成了外部验证。当前版本不提供阈值优化或自动重新训练功能。

置换重要性和单样本 SHAP 解释都是近似结果：前者基于有限的重复置换，分组数据不保持受试者内的依赖；后者基于有限的背景样本，背景替换不保持变量之间的相关结构。两者都不是因果解释，也不能当作模型的外部性能评估。拟合系数描述的是某一次拟合在预处理后特征单位上的参数，不换算回原始单位，也不包含显著性推断。

研究者仍需自行判断研究设计、验证方法和结果解释是否合理，并检查自动生成的报告及其他输出。桌面版本尚未进行商业签名与公证，首次启动时系统可能会要求确认。

技术细节

Python · scikit-learn · Godot。分析核心来自我本科阶段编写的代码；当前桌面界面和部分软件工程工作由 AI 辅助完成。我仍负责研究设计、功能取舍、代码审查和结果解释。代码许可证：Apache-2.0。