1. 从“分类”说起数学建模竞赛中的核心武器如果你参加过数学建模竞赛或者正准备参加那么“分类模型”这个词你一定不陌生。它几乎是每年国赛、美赛、亚太杯等各大数学建模赛事的“常客”从经典的2019年国赛C题“机场出租车问题”中的司机决策分类到2024年高教社杯B题“钢板切割与组批优化”中的缺陷类型识别再到各种涉及客户分群、疾病诊断、文本情感判断的题目分类问题无处不在。很多新手队伍拿到题目看到“预测”、“判断”、“识别”这些字眼第一反应可能就是“上机器学习上神经网络”。但结果往往是代码跑得飞起论文却写得空洞最后拿个成功参赛奖了事。问题出在哪在我看来根本原因在于把“分类模型”理解成了一个孤立的“算法包”以为只要把数据丢进sklearn的fit()函数就能自动产出一篇优秀论文。这完全误解了数学建模的本质。数学建模竞赛考察的从来不是你对某个算法库的调用熟练度而是你将现实问题抽象为数学问题并选择、调整、解释模型的全过程能力。分类模型恰恰是检验这种能力的绝佳试金石。这篇文章我想从一个多年指导者和参赛者的角度和你深入聊聊数学建模中的分类模型。我不会给你罗列几十种算法的公式和代码那些资料网上太多了而是想带你穿透那些炫酷的算法名词看到背后更本质的东西面对一个具体的赛题我们究竟应该如何思考才能让“分类模型”真正成为你论文中的亮点而不是累赘我们会从最基础的模型选择逻辑谈到特征工程的“灵魂”作用再深入到模型评估与论文表达的“最后一公里”最后分享一些我总结的、能让评委眼前一亮的实战技巧。无论你是正在备战2026年赛事的新手还是想优化自己建模思路的老手相信这些从真实竞赛中沉淀下来的经验都能给你带来不一样的启发。2. 模型选择不是“选美”理解问题本质是第一步看到“分类模型”很多同学脑子里会立刻蹦出一串名词逻辑回归、决策树、随机森林、支持向量机SVM、朴素贝叶斯、K近邻KNN、神经网络……然后就开始纠结“我该用哪个是不是越复杂的模型越好用深度学习是不是能加分”这是一个典型的误区。在数学建模竞赛有限的三四天里模型选择的第一原则绝不是复杂度而是适配性。你需要像一个侦探一样仔细审视题目给出的数据和要求问自己几个关键问题答案自然会指向最合适的模型家族。2.1 数据特征与问题规模的“体检”首先给你的数据做一次快速“体检”。数据量有多大这是决定模型复杂度的硬约束。如果只有几百条样本这在数学建模竞赛中很常见你却非要搭建一个深层的神经网络那么几乎必然遭遇严重的过拟合——模型在训练集上表现完美在测试集上一塌糊涂。对于小样本数据逻辑回归、线性判别分析LDA或简单的决策树往往是更稳健的选择。它们的模型容量小不容易拟合噪声而且结果更容易解释这在论文中是一个巨大的优势。特征是什么类型特征变量是连续数值型如身高、温度、销售额还是离散分类型如性别、城市、产品类型或者是文本、图像不同的模型对特征类型的处理能力不同。逻辑回归、SVM通常要求输入是数值型特征。对于分类特征需要进行独热编码One-Hot Encoding等处理。决策树、随机森林天生可以处理混合类型的特征对于分类特征无需编码这是它们的一大便利之处。朴素贝叶斯特别适合处理文本分类问题如情感分析、垃圾邮件识别因为它基于特征条件独立假设而词袋模型下的词频特征在一定程度上符合这个假设。需要什么样的输出是简单的二分类是/否好/坏还是多分类A/B/C/D类有些模型原生支持多分类如决策树、随机森林、神经网络而有些二分类模型如标准的SVM、逻辑回归需要通过“一对多”OvR或“一对一”OvO策略扩展到多分类这会增加复杂度和计算量。2.2 从赛题要求反推模型需求其次仔细品味赛题描述中的每一个词。题目是否强调“可解释性”例如2022年国赛C题“古代玻璃制品的成分分析与鉴别”你不仅需要判断文物类型可能还需要回答“是哪些化学成分的差异导致了分类结果”。这时像逻辑回归可以查看特征系数、决策树可以可视化决策路径这类“白盒模型”就比随机森林、神经网络这类“黑盒模型”更有优势。你可以在论文中清晰阐述“根据逻辑回归模型二氧化硅SiO2含量的系数为正且最大表明它是区分高钾玻璃和铅钡玻璃的关键指标。” 这种分析极具说服力。题目是否涉及“概率”或“置信度”比如预测客户流失的概率、疾病风险的概率。逻辑回归和朴素贝叶斯的直接输出就是样本属于某一类的概率这非常方便。而SVM、决策树本身不直接输出概率需要通过Platt scaling或类概率估计进行转换多了一层麻烦。数据是否可能存在“非线性”关系如果特征和类别标签之间的关系不是一条直线能分开的你就需要非线性模型。决策树、基于核函数的SVM、神经网络都能捕捉非线性。这里有一个技巧可以先用简单的逻辑回归线性试一下如果效果很差再考虑非线性模型。在论文中这个“由简入繁”的尝试过程本身就是一个很好的分析点。2.3 我的常用选择策略与“组合拳”基于以上分析我通常会采用一种“分层测试”的策略基线模型Baseline逻辑回归。它几乎总是我的第一个选择。原因有三实现简单、速度快、可解释性强。用它建立一个基线性能。如果逻辑回归效果已经不错比如准确率85%那么除非题目有特殊要求否则完全没必要上更复杂的模型。在论文中你可以稳当地写道“我们首先建立了逻辑回归基线模型取得了XX%的准确率这表明问题具有一定的线性可分性。”性能提升尝试如果基线模型效果不理想我会依次尝试随机森林这是我最常用的“万金油”模型。它对数据要求低、能处理非线性、对异常值不敏感、通常能提供不错的准确率并且还能给出特征重要性排序。在论文中展示特征重要性条形图是体现你工作深度的好方法。XGBoost/LightGBM如果数据量稍大且对精度有极致追求我会考虑这些梯度提升树模型。它们性能强大但需要调参且可解释性比随机森林稍差。支持向量机SVM当特征维度不是特别高且样本量不是特别大时SVM尤其是带有RBF核的SVM有时能产生非常清晰的分类边界。但在大数据集上训练会很慢。特殊场景文本分类首选朴素贝叶斯特别是多项式朴素贝叶斯作为基线然后尝试逻辑回归结合TF-IDF特征。现在用预训练的词向量简单神经网络也很流行但要注意在数学建模论文中你需要能讲清楚原理而不是仅仅调包。需要强可解释性决策树可视化或逻辑回归系数分析。样本极度不平衡如欺诈检测99%都是正常交易这时准确率指标会失效。需要专门采用过采样SMOTE、欠采样或使用对类别权重敏感的模型如设置class_weightbalanced的逻辑回归、随机森林。记住在数学建模论文中模型对比本身就是一个重要的章节。你可以设计一个表格清晰列出逻辑回归、决策树、随机森林等模型在同一个测试集上的准确率、精确率、召回率、F1值等指标。然后结合模型复杂度和可解释性最终“有理有据”地选择其中一个作为你的主模型。这个过程充分展示了你的科学分析和决策能力。3. 特征工程模型效果的“胜负手”如果说模型是发动机那么特征就是燃料。再先进的发动机灌进去劣质汽油也跑不快。在数学建模实践中我见过太多队伍花了80%的时间调参却只花20%时间处理特征结果事倍功半。事实上好的特征工程往往比换一个更复杂的模型带来的提升更大。这部分工作看似琐碎却是真正体现你数学功底和数据思维的地方。3.1 数据清洗与预处理为模型提供“干净食材”拿到数据第一步不是急着建模而是“洗菜”。处理缺失值这是几乎必然遇到的问题。方法有很多但选择要有理由。直接删除如果某个特征缺失率太高比如50%或者某条样本缺失特征太多可以考虑删除。但要在论文中说明删除的比例和依据。统计值填充对于数值特征常用均值、中位数填充。中位数对异常值更鲁棒。对于分类特征用众数填充。模型预测填充用其他特征来预测缺失值这更复杂但可能更合理。例如用年龄、职业等特征来预测缺失的“收入”。在论文中如果用到这种方法一定要详细说明。作为一个特殊类别对于分类特征可以将“缺失”本身作为一个新的类别如“未知”。注意千万不要不做任何说明就直接用fillna()默认填充评委一眼就能看出你对数据缺乏思考。处理异常值异常值可能是录入错误也可能是真实但特殊的情况如超高收入的客户。可视化发现箱线图是识别异常值的利器。处理方式根据题目背景决定。如果是明显错误如年龄200可以按缺失值处理或直接修正。如果是真实但极端的值可以考虑用盖帽法将大于99分位数的值设为99分位数的值或分箱处理避免其对模型造成过度影响。编码分类变量机器学习模型大多只能处理数值。有序分类如学历高中、本科、硕士、博士可以用标签编码0,1,2,3但要注意模型可能会误认为这些数字有大小关系。对于树模型问题不大对于逻辑回归、SVM则需要谨慎。无序分类如城市北京、上海、广州必须使用独热编码为每个类别创建一个新的二值特征。但要注意如果类别很多会导致特征维度爆炸“维度灾难”。此时可以考虑将低频类别合并为“其他”。3.2 特征构造从“现有信息”到“洞察力”的飞跃这是特征工程中最具创造性的部分也是论文的加分项。你需要根据题目背景知识创造新的特征。以“机场出租车问题”为例原始数据可能有“到达时间”、“航班号”、“乘客数量”。你可以构造时间段特征将“到达时间”转化为“是否高峰时段”、“是否夜间”、“是否节假日”。航班属性根据“航班号”关联出“出发地”、“机型”可能隐含乘客数量甚至可以查询历史数据构造“该航班历史准点率”。聚合特征计算“过去一小时内的到达航班总数”、“当前排队出租车数量”如果数据支持。交互特征比如“高峰时段且航班来自旅游城市”。以“钢板缺陷分类”为例原始图像数据经过深度学习特征提取后你还可以构造几何特征缺陷区域的面积、周长、长宽比、圆形度。纹理特征缺陷区域的灰度共生矩阵GLCM对比度、同质性等即使你用深度学习在论文中补充这些传统特征分析也会显得很全面。位置特征缺陷中心距钢板边缘的距离。构造特征的要点新构造的特征必须有明确的物理或业务意义并且你需要在论文中解释为什么构造这个特征它可能如何影响分类结果。切忌盲目构造一堆特征导致维度灾难和过拟合。3.3 特征选择与降维给模型“减负”不是所有特征都是有用的有些可能是冗余的有些可能是噪声。特征选择能提高模型效率、防止过拟合、增强可解释性。过滤法基于特征的统计性质进行筛选与模型无关。方差选择删除方差非常小的特征例如所有样本在该特征上取值几乎相同。相关系数法计算特征与目标标签的相关系数对于分类问题可以用卡方检验、互信息法保留相关性高的特征。也要检查特征之间的相关性如果两个特征高度相关可以考虑去除一个。包裹法根据模型的性能来评价特征子集的好坏。例如递归特征消除RFE它使用一个基模型如逻辑回归进行多轮训练每轮淘汰最不重要的特征。这种方法效果更好但计算成本高。嵌入法模型训练过程本身会自动进行特征选择。L1正则化LASSO在逻辑回归等线性模型中加入L1惩罚项它会使部分特征的系数变为0从而实现特征选择。在论文中你可以展示LASSO模型筛选后的特征列表这非常有说服力。树模型的特征重要性随机森林、XGBoost训练完成后可以直接输出每个特征的重要性得分。这是我最常用的方法之一直观且有效。降维当特征维度极高如文本的TF-IDF特征可能有上万个维度时需要使用降维。主成分分析PCA将原始特征线性组合成新的、互不相关的特征主成分用少数几个主成分就能解释大部分方差。但要注意PCA转换后的特征失去了原有的物理意义会降低模型的可解释性。在数学建模中除非万不得已如图像像素处理我更倾向于使用特征选择而不是PCA因为我们需要解释“哪个原始特征重要”。在论文中你应该用一小节专门描述你的特征工程过程并配上关键步骤的代码片段或结果截图如缺失值统计表、特征相关性热力图、特征重要性排序图。这能让评委清楚地看到你的工作量和技术深度。4. 模型评估与调优告别“准确率”的迷信模型训练好了怎么评价它好不好很多新手只会看一个“准确率”然后就宣布模型“效果很好”。这在数学建模中是远远不够的甚至可能是错误的。4.1 选择正确的评估指标对症下药评估指标是衡量模型好坏的尺子尺子选错了结论就错了。准确率Accuracy的陷阱这是最直观但也最容易被误用的指标。当数据类别不平衡时准确率毫无意义。例如一个预测疾病的数据集中健康人占99%病人占1%。即使模型把所有样本都预测为健康人准确率也能达到99%但这个模型对于发现病人毫无用处。你必须根据题目的实际需求来选择指标关注“找全”即尽可能不漏掉正例。例如在疾病筛查、欺诈检测中我们宁愿误报一些也不希望漏掉一个真正的病人或欺诈交易。这时应使用召回率。关注“找准”即预测为正例的样本中尽可能少出错。例如在垃圾邮件分类中把正常邮件误判为垃圾邮件误杀的代价很高。这时应使用精确率。需要平衡通常我们需要在精确率和召回率之间取得平衡这就是F1-Score两者的调和平均数。多分类问题上述指标可以扩展到多分类通常采用“宏平均”或“微平均”来计算。在论文中要明确说明你用的是哪一种。更全面的工具混淆矩阵与ROC/AUC混淆矩阵一定要在论文中展示它直观地显示了模型在每个类别上的具体表现真阳性、假阳性、真阴性、假阴性是所有指标计算的基础。ROC曲线与AUC值对于二分类模型ROC曲线展示了模型在不同分类阈值下的性能其下面积AUC值是一个与阈值无关的综合评价指标非常适合用于模型比较。AUC越接近1模型性能越好。在论文的“模型评估”部分你应该呈现一个完整的评估表格至少包含准确率、精确率、召回率、F1-Score和AUC如果是二分类。然后结合题目背景重点分析对你任务最重要的那个指标。例如“本题目标是尽可能识别出所有有风险的客户因此我们重点关注召回率。我们的模型在测试集上达到了92%的召回率意味着仅有8%的风险客户被遗漏这满足了题目的核心要求。”4.2 交叉验证确保模型的稳定性你用一个固定的“训练集-测试集”划分得到的评估结果可能具有偶然性。为了得到更稳健的评估必须使用交叉验证。K折交叉验证将数据集随机分成K份通常K5或10依次将其中一份作为测试集其余K-1份作为训练集重复K次训练和测试最后将K次的结果取平均。这能有效减少因数据划分不同带来的评估波动。分层K折交叉验证在K折基础上确保每一折中各类别的比例与原始数据集保持一致这在类别不平衡时尤其重要。在论文中你应该写明“我们采用了5折分层交叉验证来评估模型的泛化性能最终各项指标为5折结果的平均值±标准差。” 并附上交叉验证结果的简要表格或说明。这体现了你评估方法的严谨性。4.3 模型调优从“默认参数”到“最佳状态”大多数机器学习模型都有超参数如随机森林的树数量、最大深度SVM的核函数、惩罚系数C。使用默认参数就像开车不调整座椅和后视镜也许能开但肯定不舒服。网格搜索与随机搜索这是最常用的调参方法。网格搜索指定每个超参数的可能取值列表模型会尝试所有可能的组合。优点是全面缺点是计算量大。随机搜索在指定的参数分布中随机采样一定数量的组合进行尝试。实践表明随机搜索往往能以更少的尝试次数找到接近最优的参数。调参的注意事项在交叉验证中进行调参过程必须基于交叉验证的性能而不是在最终测试集上进行否则会导致“数据泄露”和过拟合。先粗调后细调先在大范围上确定参数大概的最优区间再在这个区间内进行精细搜索。记录过程在论文中你可以用一两句话简述调参过程并附上关键参数搜索范围和最优结果。例如“我们对随机森林的n_estimators[50, 100, 200, 300]和max_depth[5, 10, 15, None]进行了网格搜索结合5折交叉验证的F1均值最终确定最优参数为n_estimators200, max_depth10。”不要过度调参数学建模时间有限调参的收益是边际递减的。把80%的调参时间花在最后20%的性能提升上可能不如用这个时间去完善特征工程或论文写作。5. 从结果到论文如何写出让评委信服的模型部分模型跑出结果只是完成了技术工作的一半。如何清晰、准确、有深度地将你的工作呈现在论文中是决定最终成绩的关键。很多技术很强的队伍就败在了表达上。5.1 论文中的模型描述清晰与深度并存忌直接粘贴算法公式或教科书定义。宜结合你的具体问题描述模型是如何应用于你的数据和任务的。逻辑回归不要只写“我们使用了逻辑回归”。可以这样写“针对该二分类问题我们采用逻辑回归模型建立特征与类别概率之间的线性关系。其核心是逻辑函数Sigmoid函数它将线性组合z w^T x b映射到(0,1)区间作为样本属于正类的概率估计即P(y1|x) 1 / (1 exp(-z))。我们通过最大化对数似然函数来求解权重向量w和偏置b从而得到分类决策边界。”随机森林可以写“为捕捉特征与标签之间可能存在的复杂非线性关系并评估特征重要性我们采用了随机森林模型。该模型通过自助采样法构建多棵决策树并通过投票机制集成结果有效降低了单棵决策树容易过拟合的风险。我们特别关注了‘最大深度’和‘树的数量’这两个关键超参数对模型性能的影响。”一定要配上结构图或流程图一张清晰的模型框架图例如展示数据从输入、到特征工程、到模型训练、到评估输出的整个流程或算法原理示意图例如随机森林的Bagging过程抵得上千言万语。可以使用Visio、PPT或Python的matplotlib、graphviz库来绘制。5.2 结果展示与分析用数据讲故事表格与图表是王道模型对比表用表格清晰列出不同模型在主要评估指标上的表现。表格设计要专业表头明确单位清晰。混淆矩阵热力图用seaborn的heatmap绘制颜色梯度要易于分辨。特征重要性图对于树模型用水平条形图展示Top-N的重要特征非常直观。ROC曲线图如果比较多个二分类模型将它们的ROC曲线画在同一张图上并标注AUC值。决策边界可视化如果特征只有2维或3维可以通过PCA降维可以绘制模型的决策边界这对于解释模型非常有力。分析要深入不止于表面数字 不要只说“模型A的准确率比模型B高2%”。要分析为什么。“从混淆矩阵可以看出逻辑回归模型在‘类别2’上的召回率较低我们分析是因为该类样本数量较少且特征与‘类别1’有重叠。而随机森林通过集成学习缓解了这个问题因此在该类上的表现有显著提升。”“特征重要性分析显示‘特征X’的重要性得分远高于其他特征。这与我们基于题目背景的物理认知是吻合的因为‘特征X’直接反映了问题的核心机制。这从侧面验证了我们模型的有效性和可解释性。”5.3 灵敏度分析与模型鲁棒性体现思维的严密性这是区分普通论文和优秀论文的重要一环。你需要检验你的模型是否“稳健”。参数灵敏度分析改变某个关键参数不一定是模型参数也可能是题目中的假设参数观察模型结果的变化。例如在预测模型中你可以说“我们假设未来经济增长率在5%-7%之间波动。我们分别在此区间内取值代入模型进行预测发现最终分类结果的主体部分保持稳定仅边缘案例有所变化这表明我们的模型对经济增长率假设不敏感具有较好的鲁棒性。”数据扰动分析在训练数据中加入少量噪声或者随机删除一小部分数据重新训练模型看性能变化是否剧烈。如果变化很小说明模型鲁棒性强。假设检验如果你的模型基于某些假设如数据服从某种分布可以简要讨论如果假设不成立会有什么影响以及是否有补救措施。在论文中设立一个“灵敏度分析”或“模型鲁棒性讨论”的小节能极大地提升论文的理论深度和完整度向评委展示你全面、严谨的建模思维。6. 实战工具箱代码、模板与避坑指南理论说再多不如实际动手。这里分享一些我在实战中积累的具体工具、代码片段和常见“坑点”希望能帮你提高效率。6.1 Python建模核心代码框架一个清晰、模块化的代码框架不仅能让你高效工作也便于在论文附录中展示。以下是一个基于scikit-learn的通用框架# -*- coding: utf-8 -*- 数学建模分类问题通用流程框架 作者[你的团队名] 日期2025-XX-XX import pandas as pd import numpy as np import matplotlib.pyplot as plt import seaborn as sns from sklearn.model_selection import train_test_split, cross_val_score, GridSearchCV, StratifiedKFold from sklearn.preprocessing import StandardScaler, OneHotEncoder from sklearn.impute import SimpleImputer from sklearn.ensemble import RandomForestClassifier from sklearn.linear_model import LogisticRegression from sklearn.metrics import classification_report, confusion_matrix, roc_auc_score, accuracy_score, f1_score from sklearn.pipeline import Pipeline import warnings warnings.filterwarnings(ignore) # 1. 数据加载与初步探索 print(1. 加载数据...) data pd.read_csv(your_data.csv) print(f数据形状: {data.shape}) print(data.info()) print(data.describe()) # 2. 数据清洗与预处理 print(\n2. 数据预处理...) # 2.1 处理缺失值示例数值列用中位数分类列用众数 num_cols data.select_dtypes(include[np.number]).columns cat_cols data.select_dtypes(include[object]).columns imputer_num SimpleImputer(strategymedian) imputer_cat SimpleImputer(strategymost_frequent) data[num_cols] imputer_num.fit_transform(data[num_cols]) if len(cat_cols) 0: data[cat_cols] imputer_cat.fit_transform(data[cat_cols]) # 2.2 编码分类变量 if len(cat_cols) 0: data pd.get_dummies(data, columnscat_cols, drop_firstTrue) # 独热编码并避免虚拟变量陷阱 # 2.3 划分特征X和目标y target_column your_target_column_name X data.drop(columns[target_column]) y data[target_column] # 2.4 划分训练集和测试集 (保持类别比例) X_train, X_test, y_train, y_test train_test_split(X, y, test_size0.2, random_state42, stratifyy) # 2.5 特征缩放对逻辑回归、SVM等模型很重要 scaler StandardScaler() X_train_scaled scaler.fit_transform(X_train) X_test_scaled scaler.transform(X_test) # 注意用训练集的参数转换测试集 # 3. 模型训练与评估 print(\n3. 模型训练与评估...) models { Logistic Regression: LogisticRegression(max_iter1000, random_state42), Random Forest: RandomForestClassifier(n_estimators100, random_state42) } results {} for name, model in models.items(): print(f\n--- 训练 {name} ---) # 使用交叉验证评估 cv StratifiedKFold(n_splits5, shuffleTrue, random_state42) cv_scores cross_val_score(model, X_train_scaled, y_train, cvcv, scoringf1_macro) print(f 5折交叉验证 F1 宏平均: {cv_scores.mean():.4f} (/- {cv_scores.std():.4f})) # 在训练集上完整训练 model.fit(X_train_scaled, y_train) # 在测试集上最终评估 y_pred model.predict(X_test_scaled) y_pred_proba model.predict_proba(X_test_scaled)[:, 1] if hasattr(model, predict_proba) else None test_accuracy accuracy_score(y_test, y_pred) test_f1 f1_score(y_test, y_pred, averagemacro) test_auc roc_auc_score(y_test, y_pred_proba) if y_pred_proba is not None else None print(f 测试集准确率: {test_accuracy:.4f}) print(f 测试集 F1 分数: {test_f1:.4f}) if test_auc: print(f 测试集 AUC: {test_auc:.4f}) print(classification_report(y_test, y_pred)) # 保存结果 results[name] { model: model, cv_mean_f1: cv_scores.mean(), test_accuracy: test_accuracy, test_f1: test_f1, test_auc: test_auc, y_pred: y_pred, y_pred_proba: y_pred_proba } # 4. 模型调优以随机森林为例 print(\n4. 随机森林模型调优...) rf RandomForestClassifier(random_state42) param_grid { n_estimators: [50, 100, 200], max_depth: [5, 10, 15, None], min_samples_split: [2, 5, 10] } cv StratifiedKFold(n_splits3, shuffleTrue, random_state42) # 调参时可用较少折数以加快速度 grid_search GridSearchCV(rf, param_grid, cvcv, scoringf1_macro, n_jobs-1, verbose1) grid_search.fit(X_train_scaled, y_train) print(f最佳参数: {grid_search.best_params_}) print(f最佳交叉验证分数: {grid_search.best_score_:.4f}) best_rf grid_search.best_estimator_ # ... 用best_rf在测试集上做最终评估 ... # 5. 结果可视化 print(\n5. 生成可视化图表...) # 5.1 混淆矩阵 best_model_name max(results, keylambda x: results[x][test_f1]) # 选择测试集F1最高的模型 best_result results[best_model_name] cm confusion_matrix(y_test, best_result[y_pred]) plt.figure(figsize(8,6)) sns.heatmap(cm, annotTrue, fmtd, cmapBlues) plt.title(fConfusion Matrix - {best_model_name}) plt.ylabel(True Label) plt.xlabel(Predicted Label) plt.tight_layout() plt.savefig(confusion_matrix.png, dpi300) plt.show() # 5.2 特征重要性如果是树模型 if hasattr(best_result[model], feature_importances_): importances best_result[model].feature_importances_ feature_names X.columns indices np.argsort(importances)[::-1][:15] # 取前15个重要特征 plt.figure(figsize(10, 6)) plt.title(Top 15 Feature Importances) plt.barh(range(len(indices)), importances[indices], aligncenter) plt.yticks(range(len(indices)), [feature_names[i] for i in indices]) plt.xlabel(Relative Importance) plt.tight_layout() plt.savefig(feature_importance.png, dpi300) plt.show() print(\n所有流程执行完毕)6.2 论文写作中的LaTeX技巧数学建模论文通常要求用LaTeX排版。除了使用现成的模板有几个细节能让你的论文更专业算法描述使用algorithm和algorithmic宏包来清晰地排版你的模型训练或评估步骤。三线表用于模型对比、结果汇总的表格务必使用专业的三线表格式。图表引用所有图表都必须有编号和标题并在正文中用\ref{}和\label{}引用确保交叉引用正确。公式编号重要的公式如模型的核心表达式要编号并在文中提及。代码清单如果需要在附录展示关键代码使用listings宏包进行排版并设置合适的字体和语法高亮。6.3 常见“坑点”与应对策略数据泄露这是最致命的错误之一。指在训练过程中模型接触到了本应在测试阶段才能看到的数据信息。常见情况包括用整个数据集做特征缩放正确做法是先用训练集fit再转换训练集和测试集、在特征选择时使用了测试集的信息。务必保证测试集完全独立只在最终评估时使用一次。类别不平衡处理不当如前所述如果直接在不平衡数据上训练模型会偏向多数类。除了使用class_weight参数更推荐在数据层面使用SMOTE过采样或随机欠采样。但要注意采样操作也只能在训练集内部进行不能涉及测试集。盲目追求复杂模型在有限的时间和算力下一个精心调校的逻辑回归或随机森林其表现和可解释性往往优于一个没调好的神经网络。模型复杂度要与数据规模、问题复杂度相匹配。忽略随机种子很多算法如数据划分、随机森林具有随机性。如果不设置random_state每次运行结果可能不同这会导致你的结果无法复现。在代码开头和所有涉及随机性的地方务必设置固定的随机种子。论文与代码脱节论文中描述的流程、参数、结果必须与提交的代码完全一致。评委有时会运行你的代码进行验证。确保代码有清晰的注释并且附带的README文件说明如何运行。最后想说的是数学建模中的分类问题归根结底考察的是你系统化解决问题的能力。从问题理解、数据洞察、方法选择、实验验证到结果表达环环相扣。把每一次练习都当成一次完整的项目来做沉淀下你自己的代码库、经验文档和思维框架。当你再看到“分类”二字时你脑子里浮现的不再是一个个孤立的算法而是一套完整的、可复用的分析流程和决策逻辑这才是你从竞赛中带走的最宝贵的东西。