Agent Skills
返回列表
📊

数学建模与论文工厂

数据分析 更新于 2026.08.30

将以下提示词粘贴到你的 AI 对话框中：

请根据 https://skillhub.cn/install/skillhub.md，安装 @user_0210c829/math-modeling-framework。

技能介绍

问题

结构化数据分析任务常见瓶颈在于：EDA、模型训练、结果解释和论文表达往往割裂。模型指标可以跑出来，但图表缺少业务解读、公式只是裸文本、特征泄漏没被检查，最终交付物难以作为论文或竞赛稿直接使用。

工作方式

该技能把数学建模、机器学习与论文写作串成固定流程：

  • EDA 诊断：检查分布、偏态、相关性，产出特征分布、分群占比、特征对比和热力图。
  • 建模与评估：支持 XGBoost、回归、分类、聚类，并用 RandomForest 等基线对照，按任务选择 AUC、F1、RMSE、轮廓系数等指标。
  • 可解释性：输出特征重要性、SHAP 摘要或模型对比图，避免只报单模型结果。
  • 论文规范：按 academic 或 CUMCM competition 模式组织章节，要求 LaTeX 公式、符号说明、GB/T 7714 参考文献和图表解读。

适用边界

适合结构化数据上的用户行为、交易、传感器或实验分析。若测试集 AUC=1 或 R^2=1，应优先怀疑数据泄漏，而不是包装成成果。非 OpenClaw 环境可本地输出 Markdown 和图表；真实项目应替换为业务数据，并补充置信区间与显著性检验。

使用场景

  • 对电商用户行为表做 RFM 分群、XGBoost 流失预测，并输出带图表和公式的论文。
  • 准备 CUMCM 数学建模竞赛时，按摘要、模型、求解、检验等章节生成参赛稿。
  • 把传感器实验数据完成 EDA、回归建模和特征重要性分析，整理成学术方法章节。
  • 用交易或用户行为数据训练分类模型，生成 AUC、F1、SHAP 图与结果讨论。

适合人员

  • 数据分析师：要把结构化业务数据从探索、建模到结论整理成可交付报告。
  • 数学建模参赛者：需要按 CUMCM 章节和排版要求产出参赛论文。
  • 研究生或科研人员：要把机器学习实验、公式推导和参考文献写成学术稿。
  • 算法工程师：需要基线对照、泄漏检查和可解释性图表来支撑模型说明。