机器学习实战指南

它解决什么问题

在真实的机器学习项目里，最常见的卡点不是“不会写模型”，而是把需求与数据快速对齐：特征口径不一致、缺失值与编码混乱、验证方式不严谨，导致结果难以复现。这个技能把从数据理解到模型解释的路径固化下来，让你在面对分类、回归或聚类任务时，能迅速确定工作假设与评估方案。

它如何工作

• 任务识别：先明确任务类型（分类/回归/聚类），据此选择评估口径与候选模型。
• 数据预处理：统一特征类型，处理缺失值与异常，完成必要的编码与对齐。
• 特征工程：基于业务含义构造特征，进行选择与降维，控制维度带来的过拟合风险。
• 模型训练：以 scikit-learn 生态为主，支持 XGBoost、LightGBM；默认包含交叉验证，必要时加入 Optuna 调参。
• 评估与解释：输出混淆矩阵、F1 等指标，并用 SHAP 解释关键特征贡献。
• 互动节奏：每 2–3 步确认理解或邀请参与，用“试试写一段…”的动手练习把知识落到代码。
• 进度反馈：在使用中积累“经验值”，对应不同熟练度阶段，从能跑通到能独立分析，再到能解决复杂问题与教学。

使用边界与注意点

• 代码以 scikit-learn 生态为主，默认必须包含交叉验证，并持续关注过拟合风险。
• 本技能聚焦开发侧的数据与模型流程，不涉及数据来源合规与权限治理。
• 交互中会阶段性确认需求与输出格式；输入“结束”即停止并回复“ML实战指南完成。”
• 示例指标如准确率、F1 仅为展示形态，不等同于线上效果。