2025数学建模C题代码实战：思路、调参与结果交付全流程

简介这份资源面向2025年数学建模竞赛C题参赛者围绕赛题提供成体系的代码、思路与结果特别适合需要快速上手复杂数据类建模任务的选手。资源包共40个文件、92.42MB以Python脚本、文本报告、PNG图表、Markdown文档为主另含训练好的PKL模型、Excel附表、PDF赛题原文、依赖安装脚本与环境配置说明内容按模型一至模型四分为四个模块每个模块均配备可运行代码、可视化结果图与对应分析报告针对BMI分组分析、多因子优化、异常检出等不同子问题分别建模目录结构清晰便于按需定位。目前已有206人学习。使用者可先阅读README与项目摘要理清整体框架再按模块运行脚本复现结果参考其建模流程与验证思路包内文件命名清晰配合说明文档可快速了解各模型的设计动机与使用方式requirements与bat脚本能一键搭建环境适合备赛冲刺阶段借鉴与复用。1. 2025年数学建模 C题代码、思路和结果才是队友不吵架的关键每年国赛C题都有一批队伍倒在“思路聊得风生水起代码一跑就翻车”的坑里。2025年数学建模 C题更是如此数据量大、字段多光靠纸面推导根本拿不到稳定结果。真正决定你能不能按时交卷的是你能不能把“想法”变成“代码”再把“代码”跑出“结果”。这篇博文就围绕“代码思路结果”三个词展开讲清楚C题从拿到附件到产出最终结果的完整落地路径重点是可复现、可调参、可交差不聊论文写作也不讲套话。适合谁看今年正在备战国赛、尤其是被C题折磨的建模队也适合那些想用最短时间拿到一个能用的基线模型、再逐步调优的同学。下文所有代码都基于Python库用pandas、sklearn和LightGBM你只要有基础Python能力就能跟上。我会把每一步的参数、边界和踩坑点都写出来按着走至少能保证你提交的结果文件是真实、合理、经得起复评的。2. 思路先行把C题拆成能建模的问题别急着写代码2.1 拿到附件先做三件事字段、口径、目标很多队伍拿到2025年C题附件第一反应是“快跑个baseline”。我的习惯是先花半小时把字段从头到尾过一遍。以今年常见的NIPT无创产前检测相关背景为例附件里大概率会出现孕周、胎儿DNA浓度、染色体Z值、母体年龄、测序深度、GC偏差等指标。你先别管它们是不是都对建模有用先把每个字段的单位、取值范围、缺失比例记下来。这一步丝毫不涉及模型但决定了你后面会不会反复返工。第二件事是确认“预测目标”到底是什么。有的C题让你判断“是否异常”有的让你选择“最佳检测时点”还有的混合着问。建议把赛题每一问的任务抽象成“分类”还是“回归”还是“排序”。2025C题如果围绕NIPT很可能既要做异常判定又要做时点选择。异常判定是一个二分类问题时点选择则可能转成回归预测风险最低/最高的时间或者做不同孕周区间的比较。把任务类型定清楚后面选模型才不会迷茫。第三件事是确认评阅对输出文件的要求。格式、列名、正负例的编码方式这些都会影响最后的结果文件能不能被正确读取。我见过队伍因为把标签写成“异常/正常”而不是“1/0”直接被评阅系统判0分的。建议开局就把提交样例下载下来对照着构造自己后续的输出DataFrame。2.2 两条建模路径直接分类与分段决策选哪条针对“NIPT时点选择与异常判定”这类C题常见做法有两种。路径一直接把所有样本扔进一个二分类模型标签是“是否异常”特征里包含孕周等字段。这种做法简单粗暴适合第一问快速出分。但它的弱点很明显孕周与异常风险可能不是线性关系直接当成数值特征喂进去模型很难捕捉“某些时点风险最低”的结构化信息。路径二先按孕周分段比如分三组或五组每个段内分别训练分类模型再比较不同段的模型性能或预测风险分布从而回答“什么时点检测最合适”。这种做法更符合NIPT的实际逻辑——胎儿DNA浓度随孕周上升但不同孕周对异常判定的灵敏度不同。分段后你能看到每个区间上模型AUC的变化比单模型的系数解释性强得多。如果你时间紧我建议两条都跑先用路径一拿到整体基线再用路径二做细节解释。两条结果放一起加上简单的统计检验就能支撑起“时点选择”这个问题的回答。别一开始就上深度学习或复杂集成C题的数据量通常只有几千到几万行完全没必要。2.3 选模型前必须明确的边界代价敏感、样本不均衡、可解释性C题不是论文评阅老师不会只看AUC还会看你的结果是否合理。这意味着模型选择要考虑三个边界。第一是需要不需要代价敏感。如果题目里异常样本的比例很低比如5%以下那么准确率就是欺骗性指标。你需要关注召回率尤其异常检测类任务漏掉一个异常比误报十个正常更不可接受。第二是特征是否存在时间依赖。如果数据里同一个个体在不同孕周有多次检测记录你切分训练集和验证集时就不能随机切必须按个体或按时间切否则会造成数据泄露。第三是可解释性。评阅老师喜欢看你给出“哪些特征最重要”。树模型自带特征重要性逻辑回归有系数这些都能直接写进结果分析。神经网络就不推荐因为黑匣子解释不清而且调参成本高。明确这三点后你会发现自己大概率落在“逻辑回归随机森林LightGBM”的组合里。这个组合既快又稳还能应付样本不均衡和特征解释。下一章开始写代码。3. 代码落地从原始数据到特征矩阵基础打不好全是坑3.1 读取数据与清洗先处理缺省值和异常值别死记硬背2025年C题的原始数据通常是一个或多个CSV文件。第一步读取并合并所有相关文件注意编码格式。我一般这样开头import pandas as pd import numpy as np # 读取主要数据文件假设有train.csv和submit_sample.csv df pd.read_csv(train.csv, encodingutf-8-sig) sub_sample pd.read_csv(submit_sample.csv, encodingutf-8-sig) # 先看形状和列名 print(df.shape, df.columns.tolist()) print(df.head()) # 检查缺失率 missing_ratio df.isnull().mean().sort_values(ascendingFalse) print(missing_ratio[missing_ratio 0])逻辑说明encodingutf-8-sig是为了兼容Windows下Excel导出的BOM头isnull().mean()给出每列缺失比例方便你决定删除还是填充。看到缺失率超过50%的列如果没有强业务含义直接删掉缺失率在5%以下的列可以根据数据类型用中位数或众数填充。参数说明这里的关键参数是缺失率阈值。你可以根据特征数量调整比如特征总数超过30个时缺失率超40%就删特征少时则放宽到60%。不要每列都用均值填充如果该列是偏态分布用中位数更稳健。接下来处理异常值。NIPT场景里染色体Z值如果超出[-5,5]区间基本可以认为是极端异常但如果连续多个样本都是极端值需要排查是不是数据录入错误。我用IQR方法做初步过滤但对于建模数据异常值不能直接删除因为异常值可能正是我们要检测的目标。正确做法是先看异常值与标签的交叉分布。# 用IQR标记潜在异常但先不要删 for col in [chrom_z_21, chrom_z_18, chrom_z_13]: q1 df[col].quantile(0.25) q3 df[col].quantile(0.75) iqr q3 - q1 lower q1 - 3 * iqr upper q3 3 * iqr df[col _outlier] ((df[col] lower) | (df[col] upper)).astype(int) print(col, df[col _outlier].mean())参数说明这里用3倍IQR作为异常判定阈值比1.5倍更保守避免把正常的孕期波动误判为异常。注意我们不是删除这些“异常”样本而是生成“是否异常”的辅助特征。因为在你还没有建模之前你不知道这些极端值是真异常还是数据噪声。3.2 特征工程NIPT场景里哪些字段值得做新特征原始字段直接喂模型虽然能跑但很难拿高分。C题的特征工程主要体现在两方面一是把领域知识编码成数值二是构建交叉特征。对于NIPT场景我通常会构造这样几个新特征# 假设已有字段gestational_age孕周fetal_fraction胎儿DNA浓度 # chrom_z_2121号染色体Z值maternal_age母体年龄 # 1. 孕周的分段编码用四分位数切成4段 df[ga_bin] pd.qcut(df[gestational_age], 4, labels[1,2,3,4]) # 2. 胎儿浓度与孕周的比值反映浓度变化趋势 df[ff_per_week] df[fetal_fraction] / (df[gestational_age] 1) # 3. 多个染色体Z值的极差和均值 chrom_cols [chrom_z_21, chrom_z_18, chrom_z_13] df[z_range] df[chrom_cols].max(axis1) - df[chrom_cols].min(axis1) df[z_mean] df[chrom_cols].mean(axis1) # 4. 综合风险分母体年龄高风险阈值超过35岁标记 df[age_high_risk] (df[maternal_age] 35).astype(int)逻辑说明孕周分段用pd.qcut按该列分位数切分保证每段样本量接近避免某段样本过少。胎儿浓度与孕周相除可以看作“单位孕周的浓度”能捕捉浓度增速异常。染色体Z值极差和均值则能整体评估多条染色体的偏离程度。年龄高风险是一个简单的业务规则特征在实际产检指南中确实存在35岁高龄标准。参数说明pd.qcut的labels参数要传列表否则会生成区间标签影响树模型的可解释性。1是为了避免孕周为0时除零错误。实际赛题中你可能还有更多字段比如GC含量、测序深度都可以做类似的归一化或分箱。特征不是越多越好我一般控制在30个以内多了就跑得慢且容易过拟合。3.3 制作训练集与验证集时间序列相关数据切分的禁忌C题数据如果涉及同一病人在不同孕周的多次检测不能直接随机划分训练集和测试集。否则同一病人的不同记录会同时出现在两边模型会“记住”病人的特征导致验证分数虚高。正确做法是按个体分组切分。# 假设有patient_id字段 from sklearn.model_selection import GroupKFold X df.drop([label], axis1) y df[label] groups df[patient_id] # 使用GroupKFold保证同一个病人的所有记录都在同一个折里 gkf GroupKFold(n_splits5) for fold_idx, (train_idx, val_idx) in enumerate(gkf.split(X, y, groups)): X_train, X_val X.iloc[train_idx], X.iloc[val_idx] y_train, y_val y.iloc[train_idx], y.iloc[val_idx] print(fFold {fold_idx}: train {train_idx.shape[0]}, val {val_idx.shape[0]})逻辑说明GroupKFold用病人ID作为分组依据这样同一病人不可能同时出现在训练集和验证集。这是避免数据泄露的核心操作。如果你不分组交叉验证AUC可能比真实高0.1以上提交后被复评直接现形。参数说明n_splits一般取5或10。如果你的数据量小于5000建议用5折超过2万可以用3折因为每折的训练量够大。另外如果标签正负例不平衡可以在GroupKFold基础上再结合StratifiedGroupKFoldsklearn 0.24以后支持在分组的同时保证每折正负例比例接近。我强烈建议用这个from sklearn.model_selection import StratifiedGroupKFold sgkf StratifiedGroupKFold(n_splits5, shuffleTrue, random_state42) for fold_idx, (train_idx, val_idx) in enumerate(sgkf.split(X, y, groups)): X_train, X_val X.iloc[train_idx], X.iloc[val_idx] y_train, y_val y.iloc[train_idx], y.iloc[val_idx] print(fFold {fold_idx}: train {y_train.mean():.3f}, val {y_val.mean():.3f})参数说明shuffleTrue可以打乱折内部顺序但分组关系不变random_state固定下来保证每次跑出的结果可比。StratifiedGroupKFold会尽量让每个折的标签比例一致这是处理C题不平衡样本的关键。4. 建模与调参让模型跑起来再找好参数别一上手就炼丹4.1 基线模型先行用逻辑回归跑通全流程不要一上来就LightGBM。先把逻辑回归跑通既能验证特征处理没问题又能得到一个可解释的基线分数。逻辑回归对缺失值敏感所以前面没填充干净的列必须处理干净。这里我用sklearn的Pipeline处理标准化和建模from sklearn.pipeline import Pipeline from sklearn.preprocessing import StandardScaler from sklearn.linear_model import LogisticRegression from sklearn.metrics import roc_auc_score, f1_score # 准备特征列排除标签、ID和已经转换过的原始列 feature_cols [gestational_age, fetal_fraction, chrom_z_21, chrom_z_18, chrom_z_13, maternal_age, ga_bin, ff_per_week, z_range, z_mean, age_high_risk] pipe_lr Pipeline([ (scaler, StandardScaler()), (clf, LogisticRegression(max_iter1000, class_weightbalanced, random_state42)) ]) # 在第一个GroupKFold折上训练测试 for fold_idx, (train_idx, val_idx) in enumerate(sgkf.split(X, y, groups)): X_train, X_val X.iloc[train_idx][feature_cols], X.iloc[val_idx][feature_cols] y_train, y_val y.iloc[train_idx], y.iloc[val_idx] pipe_lr.fit(X_train, y_train) pred_proba pipe_lr.predict_proba(X_val)[:, 1] auc roc_auc_score(y_val, pred_proba) f1 f1_score(y_val, (pred_proba 0.5).astype(int)) print(fFold {fold_idx}: AUC{auc:.4f}, F1{f1:.4f}) break # 先跑一折看看逻辑说明Pipeline先把数值特征标准化再进入逻辑回归。class_weightbalanced让模型自动调整正负例权重缓解样本不平衡。max_iter1000防止默认的100次迭代不收敛。先只跑第一折看到分数正常后再跑全5折。参数说明逻辑回归的正则化强度默认是C1.0。如果你特征多且相关性高可以降低C到0.1让正则更强。另外predict_proba返回的是正例标签为1的概率[:, 1]取第二列。阈值0.5不是固定的如果你更看重召回率阈值可以降到0.3后面会讲到怎么选阈值。跑通第一折后你需要记录所有折的AUC并计算均值。如果AUC明显低于0.7问题大概率出在特征上而不是模型。这时候回头检查特征构造和缺失值处理。4.2 升级到树模型随机森林与LightGBM的选择逻辑回归对线性关系有效但NIPT场景中孕周、胎儿浓度与风险往往是非线性的。树模型是更好的选择。随机森林稳定、不容易过拟合适合几千样本的C题LightGBM更快、能处理缺失值但参数多容易在小样本上过拟合。我的经验是先试随机森林再试LightGBM两者取较优的。from sklearn.ensemble import RandomForestClassifier pipe_rf Pipeline([ (clf, RandomForestClassifier( n_estimators300, max_depth6, min_samples_leaf5, class_weightbalanced, random_state42, n_jobs-1 )) ]) # 同样在第一个折上训练 for fold_idx, (train_idx, val_idx) in enumerate(sgkf.split(X, y, groups)): X_train, X_val X.iloc[train_idx][feature_cols], X.iloc[val_idx][feature_cols] y_train, y_val y.iloc[train_idx], y.iloc[val_idx] pipe_rf.fit(X_train, y_train) pred_proba pipe_rf.predict_proba(X_val)[:, 1] auc roc_auc_score(y_val, pred_proba) print(fRF Fold {fold_idx}: AUC{auc:.4f}) break逻辑说明随机森林不需要标准化所以这里省略了Scaler。n_estimators300已经足够收敛max_depth6限制树的深度防止在几千样本上学到过细的噪声模式min_samples_leaf5保证叶子节点至少有5个样本增加平滑性class_weightbalanced继续处理不平衡。参数说明如果随机森林AUC比逻辑回归低不要急着调参先看是不是特征里有大量噪声列。你可以打印pipe_rf.named_steps[clf].feature_importances_把重要性低的特征剔除。一般保留特征数量在15个以内会更好。LightGBM因为能处理缺失值可以直接使用原始数据中未填充的列。但要注意类别特征需要转成category类型。我用参数比较克制的配置import lightgbm as lgb from sklearn.compose import ColumnTransformer from sklearn.preprocessing import OneHotEncoder # LightGBM直接处理缺失值只需要处理类别的编码 cat_cols [ga_bin] num_cols [c for c in feature_cols if c not in cat_cols] # 这里不建Pipeline了直接用原始数值也OK但ga_bin要转成category X_lgb X[feature_cols].copy() X_lgb[ga_bin] X_lgb[ga_bin].astype(category) for fold_idx, (train_idx, val_idx) in enumerate(sgkf.split(X, y, groups)): X_train, X_val X_lgb.iloc[train_idx], X_lgb.iloc[val_idx] y_train, y_val y.iloc[train_idx], y.iloc[val_idx] # 构造LightGBM的Dataset指定分类特征 d_train lgb.Dataset(X_train, labely_train, categorical_feature[ga_bin]) d_val lgb.Dataset(X_val, labely_val, referenced_train) params { objective: binary, metric: auc, learning_rate: 0.05, num_leaves: 15, min_data_in_leaf: 20, feature_fraction: 0.8, bagging_fraction: 0.8, bagging_freq: 1, is_unbalance: True, seed: 42 } model lgb.train(params, d_train, num_boost_round200, valid_sets[d_val], callbacks[lgb.early_stopping(50), lgb.log_evaluation(0)]) pred_proba model.predict(X_val) auc roc_auc_score(y_val, pred_proba) print(fLGB Fold {fold_idx}: AUC{auc:.4f}) break逻辑说明LightGBM内置了bagging和特征采样feature_fraction0.8表示每棵树用80%的特征能降方差bagging_fraction0.8表示每棵树用80%的样本is_unbalanceTrue自动调整权重等价于class_weightbalanced。early_stopping(50)如果验证集AUC连续50轮不提升就终止防止过拟合。参数说明num_leaves15控制树的复杂度对于几千样本的C题15到30之间比较合适别盲目拉到100。min_data_in_leaf20避免叶子节点样本太少导致噪声学习。learning_rate0.05配合200轮是一个相对保守的组合后续可调大num_boost_round到500但保持早停。4.3 调参与验证网格搜索和交叉验证的实际操作手工调参太玄学用网格搜索配合交叉验证最稳。但这里有个陷阱如果直接用GridSearchCV而不注意分组你的交叉验证照样会数据泄露。所以要在自定义的GroupKFold上做。简单而实用的做法是把参数网格缩小用3折或5折搜索。from sklearn.model_selection import GridSearchCV from sklearn.linear_model import LogisticRegression from sklearn.preprocessing import StandardScaler from sklearn.pipeline import Pipeline pipe_search Pipeline([ (scaler, StandardScaler()), (clf, LogisticRegression(max_iter1000, class_weightbalanced, random_state42)) ]) param_grid { clf__C: [0.01, 0.1, 1.0, 10.0], clf__penalty: [l2], clf__solver: [lbfgs, liblinear] } # 智能一点用StratifiedGroupKFold做交叉验证GridSearchCV的cv参数接收这个对象 sgkf_for_search StratifiedGroupKFold(n_splits5, shuffleTrue, random_state42) grid GridSearchCV( pipe_search, param_grid, cvsgkf_for_search, scoringroc_auc, n_jobs-1, verbose1 ) grid.fit(X[feature_cols], y, groupsgroups) # 注意传入groups print(Best params:, grid.best_params_) print(Best AUC:, grid.best_score_)逻辑说明GridSearchCV的cv参数可以传入一个“生成器”对象StratifiedGroupKFold在这里会按分组和标签比例划分折。关键点是在fit时传入groups参数这样分组信息才能真正生效。scoringroc_auc直接以AUC为调参目标比默认的准确率科学得多。参数说明逻辑回归的C值搜索范围从0.01到10如果最优解在边界说明范围设小了再往边界外扩展。solver建议用lbfgs它对小数据集更稳定liblinear适合特征稀疏但C题很难有稀疏特征。网格搜索跑完后要拿best_params_回填到原来的交叉验证里再算一次所有折的平均AUC避免网格搜索本身的选择偏差。对于LightGBM网格搜索组合爆炸我不建议直接调大网格。更快的做法是手动调几组num_leaves和learning_rate每次用上面的交叉验证代码验证选最高的那组。如果你希望自动化可以用optuna但C题时间有限手动调10组以内基本能找到接近最优的参数。5. 避坑指南C题代码常见的5个翻车点都是血泪经验5.1 现象预测结果全是0或1模型像是“背书机器”原因正负例严重不平衡时逻辑回归在不调权重的情况下很容易学成“把所有样本都预测为多数类”。另一种可能是特征里混入了标签本身的泄漏比如label列没删干净模型直接复制答案导致验证集AUC接近1但测试集全0。解决先检查特征列是否包含标签列。如果确认没泄漏再看训练集正例比例。如果比例低于10%必须启用class_weightbalanced或采样方法。最简单的验证方法是打印训练集和验证集的预测概率分布# 在训练后输出预测概率分布看看是不是两极分化 pred_oof np.zeros(len(X)) for fold_idx, (train_idx, val_idx) in enumerate(sgkf.split(X, y, groups)): X_train, X_val X.iloc[train_idx][feature_cols], X.iloc[val_idx][feature_cols] y_train, y_val y.iloc[train_idx], y.iloc[val_idx] grid.fit(X_train, y_train) pred_oof[val_idx] grid.predict_proba(X_val)[:, 1] print(pd.Series(pred_oof).describe())如果输出有大量接近0或1的值说明模型自信到诡异基本可以断定有特征泄漏或过拟合。5.2 现象交叉验证AUC很高提交后复评翻车原因没有按个体分组切分导致同一病人的记录在训练和验证里同时出现。此外如果数据本身存在时间顺序比如先采样的样本更容易异常随机切分会让验证集“看到”未来的信息。解决回看你的切分方式。如果是随机train_test_split赶紧换成StratifiedGroupKFold。如果赛题数据有时间戳还需要按时间切分用前面90%的时间做训练后10%做验证。千万别只看前面的交叉验证结果还要自己构造一个“时间盲测”集来验证。5.3 现象特征里有空缺值树模型直接报错或LightGBM忽略它原因pandas中空缺值用NaN表示sklearn的很多模型逻辑回归、SVM不接受NaN直接报ValueError: Input contains NaN。LightGBM虽然能接受NaN但如果你把它当成普通数值它会在分裂时自动忽略NaN样本可能导致特征利用率下降。解决对于sklearn模型用填充器统一处理。我习惯用中位数填充数值列众数填充类别列from sklearn.impute import SimpleImputer num_cols X.select_dtypes(include[np.number]).columns.tolist() X[num_cols] X[num_cols].apply(lambda col: col.fillna(col.median()))参数说明SimpleImputer是更规范的写法可以放在Pipeline里。但注意如果训练集和测试集要分别填充不能先填充整个数据集再切分否则测试集信息泄漏到训练均值里。正确做法是先切分再在训练集上fit填充器然后transform验证集。5.4 现象结果文件格式不对评阅系统读不出来原因C题通常要求提交一个特定格式的CSV包含sample_id和预测类别或概率。很多人输出时用了默认的index列或者把标签数值写成了字符串。解决在生成结果文件前先读一遍题目给的提交样例严格按照样例的列名和顺序。代码里用to_csv(indexFalse)。同时注意概率和类别的区分如果要求“结果”是预测标签你需要确定阈值如果要求“风险概率”你要输出概率值。输出前用assert检查列名sub pd.DataFrame({ sample_id: sub_sample[sample_id], predicted_prob: pred_oof[test_index] # 假设是测试集 }) assert list(sub.columns) [sample_id, predicted_prob], 列名不匹配 sub.to_csv(result.csv, indexFalse, encodingutf-8-sig)assert这条代码能在提交前帮你拦住一半以上的格式错误。5.5 现象运行时间过长提交前还在跑原因网格搜索太贪心参数组合太多LightGBM的num_boost_round开太大或者特征数量过多导致内存占用高。解决优先调快速度。第一减少网格参数量先小步试探第二给LightGBM设置early_stopping并限制num_boost_round最大到500第三把不重要的特征直接砍掉。我一般会在建模前做一次SelectFromModelfrom sklearn.feature_selection import SelectFromModel selector SelectFromModel(RandomForestClassifier(n_estimators100, n_jobs-1, random_state42), thresholdmedian) X_selected selector.fit_transform(X[feature_cols], y) print(保留特征数:, X_selected.shape[1])选择的重要性阈值设为中位数大概会砍掉一半特征。这样不仅加速还能降噪。如果你愿意等可以换成LightGBM做特征选择更准确但更慢。6. 结果验证与交付不写论文也能把结果说明白代码跑通、模型调完最后的工作是验证结果合理并让队友一眼看懂。我常用的验证方法有三个一是输出五折交叉验证的每一折AUC和标准差波动小于0.03才算稳二是做一个简单的样本外验证比如把最后一部分时间的样本拿出来不参与训练单独测一次三是跟一个“永远预测多数类”的假模型做对比确认你赢过了无脑基线。这三个验证做完结果基本站得住脚。然后你需要整理一份“结果说明”给队友和评阅老师看但不要求写成论文。我习惯做一张简表列清楚每个问所用到的模型、主要特征、交叉验证AUC、最终输出文件名。不要用一大段话解释评阅时间有限表格最直接。最后分享一个我自己养成的习惯每次提交前在项目目录下新建一个final_result/文件夹把最终代码和结果文件放进去代码里所有路径都改成相对路径。别问为什么队友用你的代码时只要少一次因为路径报错而互怼建模体验就能提升一个档次。另外阈值选择也是交付前必须定的。二分类输出概率后你需要决定用多少概率值当作“异常”。我的做法是画一个PR曲线找召回率能接受比如0.8时对应的阈值然后把这个阈值写进结果说明中。这样即使评阅老师追问你也能答出理由。这套“代码思路结果”的路径我帮队友和自己躲过了无数次通宵改代码的窘境。记住C题不是比谁的故事玄而是比谁的输出真。一个能复现、能解释、能通过复评的结果比任何华丽说辞都管用。希望帮到你。本文还有配套的精品资源点击获取