# 机器学习个人课程作业需求分析与实现方案 ## 1. 文档目的 本文档基于以下材料整理： - `外教课/原文要求.txt` - `外教课/课程作业实现方案分析.md` - `外教课/课程作业整合及任务拆解与时间规划清单.md` - `资料/DTS304TC_Assessment1_(word)_2026(1).pdf` - `资料/dataset_final(1).zip` 中的数据文件结构 目标是输出一份面向实际执行的详细需求分析和实现方案，用于指导 `Jupyter Notebook + Theory and Reflection PDF + hidden-test CSV + 补充代码` 的完整完成过程。 --- ## 2. 原始任务核心要求 ### 2.1 作业目标 需要围绕一个虚构但接近真实场景的健康保险数据集，建立并改进一个多分类模型，用于预测申请人的保费风险等级： - `Low` - `Standard` - `High` 该任务不是单纯追求 leaderboard 排名，而是要求展示完整、规范、可复现的机器学习工作流，包括： - 数据清理与预处理 - 数据泄露特征识别与删除 - 基线模型建立 - `Random Forest` 与一种 `Boosting` 模型的公平对比 - 至少一个主模型的高级超参数优化 - 按学号末位完成一个必做改进类别，并额外完成至少一个可选改进类别 - `K-Means` 与 `GMM` 的无监督探索 - 基于验证集证据选择最终模型 - 生成规定格式的 hidden-test 预测结果 CSV ### 2.2 提交物 必须提交以下文件： - 一个 `Jupyter Notebook`，格式为 `.ipynb` - 一个 `Coursework Answer Sheet / Theory and Reflection PDF` - 一个 hidden-test 预测结果 `CSV` - 如使用 notebook 外部的辅助脚本，也必须一并提交 ### 2.3 成绩结构 根据 PDF 原文，整份作业分值结构如下： - `Question 1: Notebook-Based Coding Exercise`：`60` 分 - `Theory and Reflection PDF`：`30` 分 - `Coding Quality / Answer Sheet Quality / Submission Guidelines`：`10` 分 这意味着不能只重模型分数，文档质量、实验组织、结果解释和提交格式同样直接影响成绩。 --- ## 3. 从原始 PDF 提炼出的硬性约束 以下内容属于正式要求中的关键硬约束，必须优先满足。 ### 3.1 评价指标约束 - 主指标是 `macro-F1` - `accuracy` 只是辅助指标 - 所有重要模型对比、调参结果、改进结果都应同时报告： - `macro-F1` - `accuracy` 原因是类别不平衡明显，不能只用准确率判断模型优劣。 ### 3.2 数据泄露约束 PDF 明确指出： - 数据中存在 `1` 个泄露特征 - 必须先识别并移除，再进入后续分析 - 如果没有删除，后续多个部分都会被视为无效或严重失真 这说明“找出泄露特征”不是建议项，而是作业关键检查点。 ### 3.3 模型比较约束 Notebook 中必须完成： - 一个 baseline pipeline - 一个 `Random Forest` - 一个 `Boosting` 模型 并且需要满足“受控比较”原则： - 使用同一套预处理流程 - 使用同一份训练/验证划分 - 使用同一评价指标 否则比较结论不成立。 ### 3.4 高级调参约束 至少一个主模型需要使用真正的高级调参方法，例如： - `Optuna/TPE` - 贝叶斯优化 - `Hyperopt` - `Ray Tune` PDF 明确说明： - 单独使用 `RandomizedSearchCV` 通常不足以进入高分档 因此建议主方案使用 `Optuna`。 ### 3.5 个性化改进约束 必须完成： - 根据学号末位对应的 `1` 个必做类别 - 额外至少 `1` 个自选类别 推荐但非强制： - 再额外完成第 `2` 个可选类别，以增强区分度 ### 3.6 无监督探索约束 必须完成紧凑版的： - `K-Means` - `Gaussian Mixture Model (GMM)` 重点不是聚类分数超过监督学习模型，而是体现： - 对无监督方法机制的理解 - 对结果的谨慎解释 - 对 `hard assignment` 和 `soft assignment` 区别的认识 ### 3.7 hidden-test 导出约束 最终 CSV 必须： - 文件名为 `test_result_[your_student_id].csv` - 第一列必须是 `applicant_id` - 第二列必须是 `customer_key` - 第三列必须是 `premium_risk` - 预测标签只能使用： - `Standard` - `High` - `Low` PDF 明确说明： - 命名或格式错误会在该部分自动扣 `4` 分 - 不允许在 hidden test 上调参 - 不允许声称 hidden test 性能 ### 3.8 PDF 写作约束 `Theory and Reflection PDF` 必须： - 不超过 `4` 页 - 不超过 `1200` 词 - 不得简单重复 notebook 内容 - 每一个理论问题都必须引用 notebook 中至少一个表、图或指标 超过页数或字数限制会固定扣 `5` 分。 ### 3.9 AI 使用约束 PDF 原文给出了比普通课程更严格的 AI 使用边界： - 不允许直接用 ChatGPT 生成作业答案 - AI 只能作为有限支持工具： - 代码理解 - 调试 - 语法润色 - AI 不能替代： - 方法设计 - 消融逻辑 - 定性分析 - 反思写作 因此最终提交物必须明显体现“你自己做了实验和分析”。 --- ## 4. 数据集层面的已知信息 基于对 `dataset_final(1).zip` 的结构和文件头信息检查，目前已确认： ### 4.1 数据文件 压缩包内包含： - `dataset_final/train.csv` - `dataset_final/val.csv` - `dataset_final/test_features.csv` ### 4.2 数据规模 - `train.csv`：`74375 x 33` - `val.csv`：`13125 x 33` - `test_features.csv`：`12500 x 32` 说明： - 训练集和验证集包含标签列 `premium_risk` - hidden-test 文件不包含标签 ### 4.3 字段结构 训练集列名包括： - 标识类字段：`applicant_id`, `customer_key`, `applicant_ref_code` - 时间/类别字段：`application_month`, `employment_sector`, `prior_debt_products`, `debt_portfolio_quality`, `account_tenure`, `minimum_payment_only`, `spending_profile` - 数值特征：收入、负债、额度变化、查询次数、逾期情况、投资金额、余额等 - 明显可疑字段：`bureau_risk_index` - 噪声字段：`noise_feature_1` 到 `noise_feature_5` - 标签：`premium_risk` ### 4.4 类别分布 训练集标签分布： - `Standard`: `39686` - `High`: `21586` - `Low`: `13103` 结论： - 数据明显不平衡 - 使用 `macro-F1` 作为主指标完全合理 - 在个性化改进中，`Category C` 类的重采样、类权重、阈值逻辑会很自然 ### 4.5 缺失值概览 当前观察到缺失值较多的字段包括： - `net_monthly_income_gbp` - `avg_payment_delay_days` - `monthly_investment_gbp` - `prior_debt_products` - `account_tenure` - `late_payment_count` - `credit_limit_change_pct` - `credit_inquiry_count` - `end_month_balance_gbp` 这说明预处理部分不能仅做“简单删行”，更适合使用 pipeline 化的缺失值处理方案。 --- ## 5. 对任务本质的理解 这份作业本质上考查的不是“谁把模型调得最高”，而是以下四个能力： - 是否能建立规范的机器学习实验流程 - 是否能识别不合理特征并避免数据泄露 - 是否能做公平比较、合理调参和证据驱动分析 - 是否能把理论概念和自己的实验结果一一对应起来 因此，高分解法必须同时满足： - 模型结果合理 - 实验过程规范 - 分析论证充分 - notebook 和 PDF 严格互相对应 --- ## 6. Notebook 需求拆解 下面按原始评分结构，对 notebook 部分做可执行拆解。 ### 6.1 A 部分：清洗、预处理与基线建模 必须完成的内容： - 读取 `train.csv`、`val.csv`、`test_features.csv` - 明确 `X_train / y_train / X_val / y_val / X_test` - 识别并删除泄露特征 - 处理脏值、缺失值、类别变量 - 建立一个基线 pipeline - 报告 baseline 的： - `accuracy` - `macro-F1` - confusion matrix - 确保 train、val、test 使用完全一致的预处理规则 建议实现： - 使用 `ColumnTransformer + Pipeline` - 数值特征： - `SimpleImputer(strategy='median')` - 类别特征： - `SimpleImputer(strategy='most_frequent')` - `OneHotEncoder(handle_unknown='ignore')` - baseline 模型： - `LogisticRegression` - 或 `HistGradientBoosting` 前的简单基线 更稳妥的推荐是： - 用 `LogisticRegression(class_weight='balanced')` 作为 baseline 原因： - 简单 - 可解释 - 适合作为后续树模型的比较起点 ### 6.2 泄露特征识别策略 由于 PDF 强调必须自行识别，不建议在正式 notebook 中直接“拍脑袋认定”某列是泄露。 建议采用下面的证据链： 1. 先从业务语义初筛高风险列 候选优先检查： - `bureau_risk_index` - 各类明显后验统计或接近标签定义的字段 2. 做单变量或极简模型筛查 例如： - 单列训练一个简单模型 - 比较每列单独带来的验证集 `macro-F1` 3. 检查“异常高”的预测能力 若某列单独就能异常接近目标标签，则高度怀疑为 leakage 4. 删除该特征后重新建立基线 在 notebook 中明确说明： - 删除前风险 - 删除后原因 - 为什么后续分析必须基于删除后的数据 注意： - 从字段命名看，`bureau_risk_index` 是最值得优先怀疑的候选 - 但正式提交中最好写成“通过字段语义 + 验证结果发现其构成泄露或近似泄露” ### 6.3 B 部分：随机森林与 boosting 的受控比较 必须完成： - 保持同一预处理 - 比较： - `RandomForestClassifier` - 一个 boosting 模型 推荐 boosting 模型优先级： 1. `XGBoost` 2. `LightGBM` 3. `HistGradientBoostingClassifier` 推荐理由： - PDF 明确点名推荐 `XGBoost` - 后续调参空间更丰富 - 更容易做高质量的超参数优化 本节输出建议至少包含： - 模型对比表： - accuracy - macro-F1 - 训练时间 - 每个模型的 confusion matrix - 分类报告或按类别 F1 - 简短解释 bagging 与 boosting 在本数据集上的差异 重点： - 不是证明谁永远更强 - 而是说明在当前数据集上，哪种偏差-方差特性更适合 ### 6.4 C 部分：高级超参数优化 必须完成： - 至少选择一个主模型 - 使用高级优化方法进行调参 - 目标函数对准验证集 `macro-F1` 推荐主模型： - `XGBoost` 推荐优化器： - `Optuna` 的 `TPESampler` 推荐搜索空间示例： - `n_estimators` - `max_depth` - `learning_rate` - `min_child_weight` - `subsample` - `colsample_bytree` - `gamma` - `reg_alpha` - `reg_lambda` 建议输出： - 最优参数表 - 前若干 trial 的结果摘要 - 调参前后性能对比表 - 关键超参数的重要性解释 注意： - 需要简要说明为什么搜索空间这样设 - 需要说明“原本预期哪些参数最关键” - 需要说明“调参结果是否符合预期” 这部分内容将直接为 PDF 中第 2 题服务。 ### 6.5 D 部分：个性化改进 这是 notebook 中占比最高、最容易拉开差距的部分。 #### 学号末位对应关系 - `0-1` -> `Category A`：数据质量与缺失机制 - `2-3` -> `Category B`：特征表示与特征工程 - `4-5` -> `Category C`：类别不平衡与目标设计 - `6-7` -> `Category D`：鲁棒性、校准或集成 - `8-9` -> `Category E`：公平性、诊断或可解释性 #### 每类推荐落地方式 `Category A` 可选实现： - `IterativeImputer` - 更细粒度缺失指示器 - 异常值裁剪或 winsorization - 脏值统一清洗 `Category B` 可选实现： - 特征交叉 - 类别合并 - 目标无监督编码之外的安全表示 - log 变换、比例特征、债务收入比等衍生变量 `Category C` 可选实现： - `class_weight` - `SMOTE` 或其他重采样 - focal-like 思想的替代实现 - 基于验证集的阈值调整 `Category D` 可选实现： - 概率校准 - soft voting - stacking - bootstrap 稳定性测试 `Category E` 可选实现： - `SHAP` - permutation importance - 分组公平性检查 - 错误样本分析 - 高风险误判模式总结 #### 强烈建议的写法 无论学号末位落在哪类，都建议再加一个容易出效果的 optional 类别： - 若主模型是树模型，优先补： - `Category E` 可解释性 - 或 `Category D` 集成/校准 这是因为： - PDF 明确欢迎“具体洞见” - 可解释性和误差分析非常利于写 reflection - 这些内容能让 PDF 更有证据，不容易空泛 #### 个性化改进部分必须有的证据 - 紧凑版 ablation table - 改进前后 accuracy / macro-F1 对比 - 必要时增加 class-wise F1 - 简短解释： - 做了什么 - 为什么这样做 - 结果是否提升 - 若未提升，为什么仍然有价值 ### 6.6 E 部分：K-Means 与 GMM 探索 这一部分应控制篇幅，不宜做成主线。 建议流程： 1. 从清洗后的特征中取适合聚类的数值空间 2. 必要时先做缩放 3. 可以考虑降维到： - PCA 2D 用于可视化 4. 对 `k=2~8` 分别跑： - `KMeans` - `GaussianMixture` 建议输出： - `K-Means`： - inertia / SSE 曲线 - cluster size - silhouette score（可选加强） - `GMM`： - BIC / AIC 或 log-likelihood 趋势 - component size - posterior probability / responsibility 统计 最后做一个对比表或图，回答： - 为什么 `K-Means` 是 hard assignment - 为什么 `GMM` 是 soft assignment - 当前数据是否存在模糊边界 - `GMM` 是否额外揭示了不确定性或重叠结构 ### 6.7 F 部分：最终模型与 hidden-test 导出 必须满足的原则： - 只能依据验证集结果选最终模型 - 不允许根据 hidden-test 结果回头调参 建议流程： 1. 锁定最终 pipeline 2. 用 `train + val` 合并后重新训练 3. 对 `test_features.csv` 预测 4. 生成严格符合格式的 CSV 推荐导出逻辑： - 从 `test_features.csv` 保留： - `applicant_id` - `customer_key` - 新增一列： - `premium_risk` 最终列顺序必须是： 1. `applicant_id` 2. `customer_key` 3. `premium_risk` --- ## 7. 推荐的整体实现路线 下面给出一条适合拿分且可操作的实现主线。 ### 7.1 技术栈建议 - Python - `pandas` - `numpy` - `scikit-learn` - `xgboost` - `optuna` - `matplotlib` - `seaborn` - `shap`（如选择可解释性方向） - `imbalanced-learn`（如选择重采样方向） ### 7.2 推荐项目结构 ```text coursework_ml/ ├─ notebook/ │ └─ insurance_premium_risk.ipynb ├─ src/ │ ├─ data_utils.py │ ├─ features.py │ ├─ metrics.py │ ├─ tuning.py │ └─ export.py ├─ outputs/ │ ├─ figures/ │ ├─ tables/ │ └─ predictions/ ├─ report/ │ └─ theory_and_reflection.pdf └─ README.md ``` 如果想降低复杂度，也可以只保留： - 一个主 notebook - 一到两个辅助 `.py` 脚本 关键是要保证复现性，而不是强行复杂化。 ### 7.3 Notebook 章节建议 建议 notebook 按下面顺序组织： 1. Introduction and Setup 2. Data Loading 3. Data Cleaning and Leakage Check 4. Baseline Pipeline 5. Controlled Comparison: Random Forest vs Boosting 6. Advanced Hyperparameter Optimisation 7. Personalised Improvement Work 8. K-Means and GMM Exploration 9. Final Model Selection 10. Hidden-Test Export 11. Conclusion 优点： - 与评分结构高度对齐 - PDF 写作时可以直接反向索引表格和图片 --- ## 8. 推荐的模型方案 ### 8.1 baseline 推荐： - `LogisticRegression` 作用： - 给出最低可比较基线 - 验证预处理链是否稳定 - 提供线性模型与树模型的风格对照 ### 8.2 bagging 方案 推荐： - `RandomForestClassifier` 关注点： - 对类别变量经 one-hot 后的适应性 - 是否更稳但不够激进 - 是否在少数类上表现一般 ### 8.3 boosting 方案 推荐首选： - `XGBoost` 备选： - `LightGBM` 若环境依赖受限可退而求其次： - `HistGradientBoostingClassifier` ### 8.4 最终模型的推荐候选 最可能的优胜路线通常是： - 删除泄露特征后 - 用稳定的预处理 pipeline - 以 `XGBoost` 作为主模型 - 叠加一个与你学号类别匹配的必做改进 - 再叠加一个可解释性或校准类的 optional 改进 一个较稳的最终候选组合是： - 主模型：调参后的 `XGBoost` - 必做改进：按学号末位选择 - 可选改进：`SHAP + error analysis` 或 `probability calibration` --- ## 9. PDF 的写作映射方案 为了避免 PDF 和 notebook 脱节，建议从 notebook 设计开始就准备好下面这些证据位。 ### 9.1 Bagging vs Boosting PDF 要回答： - bagging 和 boosting 的定义与性质 - 两个模型的验证结果 - 辅助分析 - 与本数据集的结合解释 Notebook 需要提前准备： - `RF vs XGB` 对比表 - confusion matrix - class-wise F1 - 调参前后稳定性或训练/验证表现 ### 9.2 Hyperparameter Optimisation PDF 要回答： - 优化器为什么合理 - 搜索空间为什么合理 - 哪些参数最重要 - 调参结果是否符合预期 Notebook 需要提前准备： - Optuna study 结果表 - 最优参数 - 调参前后指标变化 - 若可能，参数重要性图 ### 9.3 K-Means vs GMM PDF 要回答： - hard vs soft assignment - 两者假设差异 - 当前数据上的观察结论 Notebook 需要提前准备： - 一张聚类比较图 - 一张指标对比表 - 一段关于重叠和不确定性的解释 ### 9.4 Personalised Reflection PDF 要回答： - 必做类别做了什么 - 可选类别做了什么 - 遇到的问题 - 做出的努力 - 学到了什么 Notebook 需要提前准备： - ablation table - before/after 结果对比 - 若有失败实验，也保留最关键的一两个作为证据 ### 9.5 AI-use Declaration PDF 中建议采用诚实、克制、可核验的表述，例如： - 使用 AI 协助理解报错、检查代码逻辑、润色语言 - 所有方法设计、实验执行、结果核验和结论撰写均由本人完成 - 所有表格、图和结论均以 notebook 实验结果为依据 注意： - 不能写成“AI 帮我完成了模型设计” - 不能出现与 notebook 证据对不上的泛化陈述 --- ## 10. 风险点分析 ### 10.1 最大风险：没有先删除泄露特征 后果： - 分数看似很高 - 但整个分析会被视为失真 - 影响 baseline、比较、调参和最终模型选择 ### 10.2 常见风险：比较不公平 表现： - baseline 和后续模型使用了不同预处理 - 一个模型用 train，一个模型用 train+val - 某些模型调参后和默认模型直接横比 后果： - 结论缺乏可信度 ### 10.3 常见风险：只报 accuracy 由于类别不平衡： - 只看 accuracy 会掩盖少数类问题 - 很容易丢掉对 `Low` 或 `High` 类的分析深度 ### 10.4 常见风险：个性化改进做成“试很多但没有逻辑” PDF 原文明确更看重： - meaningful diagnostic - concrete insight 而不是： - 一大堆零散实验截图 ### 10.5 常见风险：PDF 空泛 如果 PDF 只是教材知识复述，而没有引用 notebook 的具体图表或指标，会被明显扣分。 ### 10.6 常见风险：CSV 格式错误 尤其要避免： - 文件名错误 - 列顺序错误 - 标签拼写错误 - 导出时丢掉 `applicant_id` 或 `customer_key` --- ## 11. 建议的执行顺序 建议按以下顺序推进，效率最高： 1. 先读取并检查 train / val / test 的列结构 2. 找出并删除泄露特征 3. 建立统一预处理 pipeline 4. 跑 baseline 5. 跑 `Random Forest vs XGBoost` 初始比较 6. 选一个主模型做 `Optuna` 7. 根据学号末位完成必做改进 8. 增加一个 optional 改进 9. 做 `K-Means + GMM` 紧凑探索 10. 选最终模型并重训 11. 导出 `test_result_[student_id].csv` 12. 最后再写 PDF 原因： - PDF 的每个回答都依赖 notebook 证据 - 先写 PDF 容易出现空泛和证据脱节 --- ## 12. 建议的时间分配 如果按一份完整高质量作业来做，建议分配如下： - 数据清洗与泄露识别：`15%` - baseline 与模型比较：`20%` - 高级调参：`20%` - 个性化改进：`25%` - K-Means / GMM：`10%` - 最终导出与提交检查：`5%` - PDF 写作：`5%` 如果时间紧，最不能压缩的部分是： - 泄露识别 - 受控比较 - 个性化改进 - PDF 与 notebook 的证据对应 --- ## 13. 最推荐的落地方案 在当前要求下，一套相对稳妥、兼顾分数与实现成本的方案如下： ### 13.1 Notebook 主线 - 删除泄露特征 - 建立 `ColumnTransformer + Pipeline` - baseline 使用 `LogisticRegression` - 受控比较使用： - `RandomForestClassifier` - `XGBoost` - 用 `Optuna` 调 `XGBoost` - 个性化改进做： - 学号对应的必做类别 - 再补一个 `Category E` 或 `Category D` - 无监督探索做： - `KMeans` - `GaussianMixture` - 最终模型大概率采用： - 调参后的 `XGBoost` 或其增强版本 ### 13.2 PDF 主线 围绕五个 compulsory prompt 分别写，每一题都强制绑定 notebook 中的至少一个： - 表 - 图 - 指标结果 写法上坚持： - 先简短理论 - 再接本次实验数据 - 再给出数据集相关解释 ### 13.3 提交前检查清单 - notebook 能从头运行到尾 - 图表和表格在 notebook 中可见 - PDF 中提到的数值和 notebook 完全一致 - hidden-test CSV 命名正确 - hidden-test CSV 列顺序正确 - 标签名称拼写正确 - 所有附加脚本一并提交 --- ## 14. 当前仍待确认的信息 以下信息目前仍需你确认，才可以把“最终实现方案”从通用版收束为定制版： - 你的 `学号末位` - 你是否打算使用 `XGBoost` - 你是否希望 optional 改进优先走： - 可解释性方向 - 集成/校准方向 - 类别不平衡方向 其中最关键的是： - `学号末位` 因为它直接决定 `Category A/B/C/D/E` 中哪一类是你的必做项。 --- ## 15. 结论 这份机器学习作业的最优策略不是“盲目追求最高分模型”，而是： - 先保证实验规范 - 再确保比较公平 - 再通过高级调参和个性化改进拉开差距 - 最后让 PDF 和 notebook 形成严格的证据闭环 如果后续要真正动手实现，建议直接按照本文档第 `11` 节的执行顺序推进，并优先先确认学号末位，再定制个性化改进方案。