数据建模与可视化

要解决的问题

很多数据任务卡在不确定的地方：拿到 CSV / Excel 后，AI 容易直接跳到建模、画图或给结论，却缺少目标变量确认、数据质量检查和模型方向判断。结果可能是用回归解释分类数据、忽略缺失值、把相关性说成因果，或者生成图表却没有业务解释。

这个技能如何工作

该技能按标准数据分析工作流约束输出：数据理解 → EDA → 模型选择 → 建模验证 → 可视化解释。

• 边界处理优先：先检查行数、列名、缺失值；缺失比例高时暂停询问，全部为分类变量时转向频率分析、交叉表和卡方检验。
• EDA 先行：对数值列做分布、相关系数和热力图，对分类列做占比、箱线图或交叉表，并围绕用户指定的目标变量分析。
• 模型选择可解释：根据线性、非线性、分类、时序或探索型问题，选择线性回归、随机森林、逻辑回归、趋势分解或 PCA 等方向，并说明理由。
• 验证与输出：输出 R²、RMSE、MAE、准确率、F1 等指标，同时给出关键发现、业务解释和局限性。

适用边界

它适合中小规模表格数据的探索分析、关系解释和基础建模，不适合直接承担 XGBoost、神经网络、大规模分布式处理或专业地理/网络可视化；遇到这些场景需要扩展外部技能。