强化学习自动挑选分类器，将原发性胆汁性肝硬化预测准确率从63%提升到98%

研究提出一种自动选择合适分类算法的强化学习算法，用于预测原发性胆汁性肝硬化。 以往寻找合适分类器算法是耗时的人工过程，该工作把“选分类器”本身交给算法自动学习，属于摘要所称的“人工智能用于人工智能”。 摘要明确说明该算法“学习自动选择适当的分类算法来预测原发性胆汁性肝硬化”，但未给出数据集规模、对比基线或实验细节。

研究提出名为“四度学习”（Fourth Degree Learning）的新强化学习方法，其灵感来自分类算法中的四个评价指标。 摘要称其最重要的成果与新颖性在于通过一种称为“平方学习”（square learning, SL）的强化学习评分方法实现学习的自动提升，并在此基础上发展出四度学习。 摘要给出方法命名与灵感来源，但未展示评分公式、奖励设计或训练过程的具体证据。

在该方法下，所用分类算法的准确率从63%提升到98%。 摘要报告了明确的性能提升幅度，作为该方法有效性的核心量化结果。 该数字来自摘要自述，未提供数据集划分、交叉验证、统计检验或与其他方法的对照，因此属于单一来源的量化声明。

该工作面向需要为疾病预测任务挑选分类算法的研究者与建模人员，适用场景是原发性胆汁性肝硬化预测；其价值在于把“选分类器”从人工试错转为自动学习，并为后续在更多疾病和数据集上验证四度学习提供起点。

读者仍会关心：63%与98%分别对应哪些分类算法、在什么数据上测得，是否经过交叉验证或独立测试集，四度学习与平方学习的评分机制具体如何运作，以及该方法在原发性胆汁性肝硬化之外的任务上是否同样有效。摘要未提供这些信息，因此上述提升幅度应视为该研究报告的结果，而非已被广泛验证的结论。