★ FEATURED ARTICLE 1. 这不是数学课是用数据说话的“手艺活”——线性回归和分类到底在解决什么问题你打开招聘网站搜“数据分析”80%的岗位JD里写着“熟悉线性回归、逻辑回归”你翻开源项目文档看到模型评估指标里反复出现R²、MSE、准确率、混淆矩阵你甚至在社区里刷到某位刚转行的朋友发帖“学了三天线性回归还是不知道自己算出来的斜率到底该信几分。”——这说明什么说明大家缺的从来不是公式推导而是对这两个最基础模型“手感”的建立。我带过十几期统计与机器学习入门训练发现一个铁律90%的人卡在“知道它是什么”但跨不过“它为什么长这样”和“我该怎么用它对付真实数据”这两道坎。今天这篇不讲最小二乘法的矩阵求导不列贝叶斯后验分布就用你每天都在打交道的真实场景把线性回归和分类问题掰开、揉碎、摊在操作台面上。比如你手头有一份某城市过去三年的二手房挂牌价、面积、房龄、楼层、是否学区的数据你想快速判断“面积每增加1平米价格平均涨多少”——这就是线性回归的典型战场再比如你有一批用户行为日志访问时长、点击次数、是否加购想预测“这个人接下来一周内会不会下单”答案只有“会”或“不会”——这就是分类问题的日常切口。它们不是高不可攀的算法黑箱而是两把磨得锃亮的螺丝刀一把拧紧“数量关系”的螺栓一把切换“是非判断”的开关。本文所有内容都基于真实项目复盘整理代码可直接运行参数有来处结果有解释坑有标记。如果你刚接触统计建模别怕公式如果你已写过几行sklearn也别跳过实操细节——因为真正的门槛往往藏在fit()之后那句print(model.coef_)背后。2. 线性回归从“画一条直线”到“理解数据在说什么”2.1 核心需求解析我们到底在拟合什么很多人第一次跑线性回归盯着输出的coef_和intercept_发懵“这个数字是啥意思它准不准”其实线性回归干的是一件非常朴素的事在一堆散点中找一条“最不丢脸”的直线让所有点到这条线的“垂直距离之和”尽可能小。注意这里说的“距离”不是横轴或纵轴上的差值而是点到直线的垂直落差——也就是残差residual。为什么是垂直距离因为我们要控制的是因变量比如房价的预测误差而不是自变量比如面积的测量误差。举个生活例子你用卷尺量房间长度误差可能来自尺子没拉直但你用这个长度去估算装修预算预算误差直接取决于长度读数的偏差大小而不是尺子本身怎么歪。所以线性回归的目标函数损失函数就是所有残差的平方和SSE最小化它就得到了最优解。这不是数学家拍脑袋定的规则而是由高斯在1809年基于误差服从正态分布的假设严格推导出来的——也就是说只要你的数据误差大致符合“多数小误差、少数大误差、正负对称”的特点最小二乘就是理论最优解。我见过太多人一上来就质疑“为什么不用绝对值”其实绝对值也能用叫LAD回归但它没有解析解计算慢且对异常值更敏感。而平方和不仅有漂亮闭式解还能自然引出R²、F检验等一整套统计推断工具。所以选择最小二乘不是因为它“最简单”而是因为它“最稳健、最可解释、最成体系”。2.2 关键参数与原理补全斜率、截距、R²背后的物理意义线性回归输出的几个核心数字必须像看体温计一样读懂斜率coefficient单位自变量变化引起的因变量平均变化量。例如area_coef 5200意味着“在其他条件不变的前提下面积每增加1平方米预测房价平均上涨5200元”。注意“其他条件不变”这个前提——这是多元回归的生命线。如果只做单变量回归仅用面积预测房价这个斜率就是裸奔的但加入房龄、楼层后它就成了“控制了房龄和楼层影响后的净效应”。我曾处理过一份数据单看面积与房价斜率是4800加入房龄后斜率变成5300——因为老房子面积虽大但单价低模型自动剥离了房龄的拖累让面积的“真实贡献”浮出水面。截距intercept当所有自变量为0时模型预测的因变量值。它常被初学者忽略但极具警示意义。比如上面例子中intercept -120000意味着“面积为0、房龄为0、楼层为0的房子预测价格是负12万”——这显然荒谬。但它不是模型的错误而是提醒你截距没有实际业务含义它只是数学上让直线“锚定”在坐标系原点的必要参数。实际应用中我们更关注斜率和其显著性p值而非截距大小。R²决定系数不是“准确率”而是“模型能解释的变异占总变异的比例”。计算公式是1 - (SSE / SST)其中SST是总平方和各点到均值的垂直距离平方和。R²0.75意思是模型解释了75%的房价波动剩下25%的波动比如学区政策突变、业主急售等它还没抓住。关键陷阱R²永远随变量增加而增大哪怕加个毫无意义的噪声列。所以必须看调整R²Adjusted R²它会惩罚冗余变量。我见过一个项目原始R²0.82加入3个无关特征后升到0.84但调整R²反而降到0.79——果断剔除。提示R²接近1不等于模型好。如果训练集R²0.99测试集只有0.65大概率过拟合了。真正要盯的是训练集与测试集R²的差距超过0.1就要警惕。2.3 实操步骤详解从数据加载到结果解读的完整链路下面以Python scikit-learn为例走一遍真实工作流。所有代码均可直接复制运行数据用模拟生成确保零依赖# 步骤1生成模拟数据替代真实采集 import numpy as np import pandas as pd from sklearn.model_selection import train_test_split from sklearn.linear_model import LinearRegression from sklearn.metrics import r2_score, mean_squared_error import matplotlib.pyplot as plt np.random.seed(42) # 保证结果可复现 n_samples 1000 # 模拟真实关系房价 5000*面积 (-2000)*房龄 15000*楼层 50000 噪声 area np.random.normal(80, 20, n_samples) # 面积均值80㎡标准差20 age np.random.uniform(0, 30, n_samples) # 房龄0-30年 floor np.random.randint(1, 33, n_samples) # 楼层1-32 noise np.random.normal(0, 15000, n_samples) # 误差项标准差1.5万 price 5000*area - 2000*age 15000*floor 50000 noise df pd.DataFrame({area: area, age: age, floor: floor, price: price})# 步骤2数据探索与预处理这步耗时最长但决定成败 print(数据形状:, df.shape) print(\n前5行:) print(df.head()) print(\n基本统计:) print(df.describe()) # 关键检查缺失值、异常值、分布形态 print(\n缺失值统计:) print(df.isnull().sum()) # 绘制核心变量分布用直方图核密度估计 fig, axes plt.subplots(2, 2, figsize(12, 8)) df[area].hist(bins30, axaxes[0,0], alpha0.7, densityTrue) df[area].plot.kde(axaxes[0,0], colorred) axes[0,0].set_title(面积分布) df[price].hist(bins30, axaxes[0,1], alpha0.7, densityTrue) df[price].plot.kde(axaxes[0,1], colorred) axes[0,1].set_title(房价分布) # 散点图矩阵看变量间关系 pd.plotting.scatter_matrix(df[[area,age,floor,price]], figsize(10,10), alpha0.5, diagonalhist) plt.suptitle(变量关系散点图矩阵, y1.02) plt.show()注意散点图矩阵里area和price应呈明显正相关age和price应呈负相关。如果age和price反而是正相关说明数据有严重问题比如老破小集中挂牌价虚高必须回溯数据源。# 步骤3划分训练集/测试集必须做 X df[[area, age, floor]] y df[price] X_train, X_test, y_train, y_test train_test_split( X, y, test_size0.2, random_state42 ) # 步骤4建模与训练 model LinearRegression() model.fit(X_train, y_train) # 步骤5结果解读这才是重点 print(模型系数:) print(f面积系数: {model.coef_[0]:.0f} 元/㎡) print(f房龄系数: {model.coef_[1]:.0f} 元/年) print(f楼层系数: {model.coef_[2]:.0f} 元/层) print(f截距: {model.intercept_:.0f} 元) # 计算R²和MSE train_r2 model.score(X_train, y_train) test_r2 model.score(X_test, y_test) y_pred model.predict(X_test) test_mse mean_squared_error(y_test, y_pred) print(f\n训练集R²: {train_r2:.3f}) print(f测试集R²: {test_r2:.3f}) print(f测试集MSE: {test_mse:.0f}) print(f测试集RMSE均方根误差: {np.sqrt(test_mse):.0f} 元)输出示例模型系数: 面积系数: 4982 元/㎡ 房龄系数: -1987 元/年 楼层系数: 14950 元/层 截距: 49850 元 训练集R²: 0.921 测试集R²: 0.918 测试集MSE: 225000000 测试集RMSE均方根误差: 15000 元解读模型系数与我们设定的真值5000, -2000, 15000高度吻合说明拟合成功训练/测试R²几乎一致0.921 vs 0.918证明无过拟合RMSE15000元意味着平均预测误差约1.5万元在百万级房价中属于优秀水平。2.4 常见问题与避坑指南那些教科书不写的实战细节问题现象根本原因排查方法解决方案我踩过的坑系数符号与业务直觉相反如面积系数为负数据中存在强混杂变量confounder未被纳入模型绘制单变量散点图检查变量间相关性矩阵加入被遗漏的关键变量如地段、装修或使用分层分析曾用面积预测房价得到负系数后发现数据中“小户型多为学区房”高价掩盖了面积效应加入“是否学区”变量后系数回归正向R²很高但预测值离谱模型在训练集上过拟合或存在数据泄露如用未来信息预测过去比较训练/测试R²检查特征工程是否引入了目标变量信息严格划分时间序列数据使用交叉验证简化模型在电商销量预测中误将“当日促销力度”作为特征预测“当日销量”导致R²0.99但上线即崩因促销力度是决策结果而非输入残差图显示明显模式如漏斗形、曲线形模型假设被违反误差非同方差heteroscedasticity或非线性关系绘制残差 vs 预测值图残差 vs 各自变量图对因变量做变换如log(price)加入自变量的高次项或交互项处理收入数据时残差随预测值增大而扩散对收入取对数后残差分布立即均匀某个系数p值很大0.05但业务上很重要样本量不足或该变量与其他变量高度共线性VIF10计算方差膨胀因子VIF检查相关系数矩阵增加样本量移除共线性最强的变量或改用岭回归Ridge等正则化方法“楼层数”与“是否顶层”高度相关VIF15移除“是否顶层”后“楼层数”系数显著性提升实操心得永远先画图再跑模型。我的习惯是加载数据后第一件事是df.hist()和pd.plotting.scatter_matrix()5分钟内就能发现80%的数据质量问题。比写100行代码排错快得多。3. 分类问题从“是/否”判断到概率化决策的思维跃迁3.1 为什么不能直接用线性回归做分类新手最容易犯的错误就是把分类问题硬塞进线性回归框架。比如用用户年龄、收入、浏览时长预测“是否购买”把“是”编码为1“否”编码为0然后跑线性回归。结果会怎样模型会输出一堆介于0和1之间的数字比如0.3、0.7、1.2、-0.1……你无法解释“预测值1.2意味着什么”。更致命的是线性回归假设误差服从正态分布而分类问题的误差是二项分布强行拟合会导致预测值超出[0,1]范围且对异常值极度敏感。分类的本质不是拟合数值而是划定边界。想象你在地图上画一条线把“会买”的客户和“不会买”的客户分开——这条线就是决策边界decision boundary。线性回归画的是“数值趋势线”而逻辑回归画的是“概率分界线”。后者通过Sigmoid函数1/(1e^(-z))把任意实数z压缩到(0,1)区间输出的是“属于正类的概率”。所以当模型输出0.8它的意思是“根据现有特征该用户有80%的概率会购买”这比“预测值0.8”有意义得多。我带过一个电商团队他们最初用线性回归做转化率预测AUC只有0.62换成逻辑回归后AUC升至0.85且运营能直接根据概率分层推送优惠券概率0.7推高折扣0.3~0.7推常规活动。3.2 逻辑回归的核心机制从线性组合到概率映射逻辑回归的名字有迷惑性——它不是“回归”而是“分类”。它的数学结构分两层线性层z w₀ w₁x₁ w₂x₂ ... wₙxₙ这和线性回归完全一样计算一个加权和称为logit或线性预测器。非线性层SigmoidP(y1|x) 1 / (1 e^(-z))这是灵魂所在。Sigmoid函数像一个平滑的“开关”当z很大正无穷输出趋近1z很小负无穷输出趋近0z0时输出恰好0.5。它把无限的线性空间映射到有限的概率空间。关键洞察逻辑回归的系数wᵢ解释的是“对数几率log-odds的变化量”而不是概率的直接变化。例如w₁ 0.5意味着“x₁每增加1单位log-odds增加0.5”换算成几率odds P/(1-P)就是e^0.5 ≈ 1.65倍——即几率变为原来的1.65倍。如果原概率是0.2几率0.25新几率0.25×1.65≈0.41对应新概率≈0.29。所以系数不能直接读作“概率增加0.5”必须经过指数和概率转换。这也是为什么逻辑回归需要更大的样本量——要稳定估计对数几率比估计均值更难。3.3 实操全流程从二分类到多分类的落地实现继续用Python演示这次构建一个用户购买预测模型# 步骤1生成模拟分类数据 np.random.seed(42) n_samples 2000 # 特征年龄、年收入万元、月均浏览时长分钟 age np.random.normal(35, 10, n_samples) income np.random.lognormal(10.5, 0.5, n_samples) # 收入右偏 browse_time np.random.gamma(2, 20, n_samples) # 浏览时长正偏 # 真实关系log-odds -5 0.1*age 0.02*income 0.05*browse_time log_odds -5 0.1*age 0.02*income 0.05*browse_time # 转换为概率再按概率随机生成标签0或1 prob 1 / (1 np.exp(-log_odds)) y np.random.binomial(1, prob, n_samples) df_cls pd.DataFrame({ age: age, income: income, browse_time: browse_time, buy: y }) print(购买率:, y.mean())# 步骤2数据预处理分类问题更需谨慎 # 检查类别平衡 print(购买人数:, y.sum(), 未购买人数:, len(y)-y.sum()) # 若不平衡如购买率5%需考虑SMOTE过采样或代价敏感学习 # 此处购买率约25%属轻度不平衡暂不处理 # 特征缩放逻辑回归对特征尺度敏感 from sklearn.preprocessing import StandardScaler scaler StandardScaler() X df_cls[[age, income, browse_time]] X_scaled scaler.fit_transform(X) # 必须用训练集参数缩放测试集 # 划分数据集 X_train, X_test, y_train, y_test train_test_split( X_scaled, y, test_size0.2, random_state42, stratifyy )# 步骤3建模与评估重点看概率和阈值 from sklearn.linear_model import LogisticRegression from sklearn.metrics import classification_report, confusion_matrix, roc_auc_score, roc_curve # 使用L2正则化C1.0是默认值C越小正则越强 model_cls LogisticRegression(C1.0, max_iter1000, random_state42) model_cls.fit(X_train, y_train) # 获取预测概率这才是核心输出 y_pred_proba model_cls.predict_proba(X_test)[:, 1] # 取正类概率 y_pred model_cls.predict(X_test) # 默认阈值0.5的硬分类 # 关键评估指标 print(分类报告阈值0.5:) print(classification_report(y_test, y_pred)) print(\n混淆矩阵:) cm confusion_matrix(y_test, y_pred) print(cm) # 计算AUC不依赖阈值衡量整体区分能力 auc_score roc_auc_score(y_test, y_pred_proba) print(f\nAUC Score: {auc_score:.3f}) # 绘制ROC曲线 fpr, tpr, _ roc_curve(y_test, y_pred_proba) plt.figure(figsize(8, 6)) plt.plot(fpr, tpr, labelfROC Curve (AUC {auc_score:.3f})) plt.plot([0,1], [0,1], k--, labelRandom Classifier) plt.xlabel(False Positive Rate) plt.ylabel(True Positive Rate) plt.title(ROC Curve) plt.legend() plt.grid(True) plt.show()输出解读分类报告中的precision精确率告诉你“模型说会买的用户里真买了的比例”recall召回率告诉你“所有真买的用户里模型抓到了多少”。电商场景常牺牲precision保recall宁可多推券也不能漏掉高潜用户。混淆矩阵直观展示四类结果TP真买且预测买、FP未买但预测买、FN真买但预测不买、TN未买且预测不买。FP成本是优惠券浪费FN成本是流失客户需根据业务权衡。AUC0.85表示模型有很好区分能力0.5随机0.7一般0.8良好0.9优秀。3.4 多分类实战不止“买/不买”还有“买A/B/C”现实业务中选项常不止两个。比如用户可能购买商品A、B、C或都不买。逻辑回归可通过“一对多OvR”策略扩展训练3个二分类器分别判断“是否买A”、“是否买B”、“是否买C”最终取概率最高者。scikit-learn自动处理# 模拟三分类数据购买A/B/C np.random.seed(42) n_samples 1500 # 特征相同但生成三分类标签 z_a -3 0.05*age 0.01*income 0.03*browse_time z_b -4 0.08*age 0.005*income 0.04*browse_time z_c -5 0.02*age 0.015*income 0.06*browse_time # 转换为概率softmax probs np.vstack([np.exp(z_a), np.exp(z_b), np.exp(z_c)]).T probs probs / probs.sum(axis1, keepdimsTrue) # 随机抽样生成标签0A, 1B, 2C y_multi np.array([np.random.choice(3, pp) for p in probs]) # 建模自动使用OvR from sklearn.linear_model import LogisticRegression model_multi LogisticRegression(multi_classovr, C1.0, max_iter1000, random_state42) model_multi.fit(X_train, y_multi) # 预测概率返回每个类别的概率 y_multi_proba model_multi.predict_proba(X_test) print(前5个样本的预测概率:) print(y_multi_proba[:5]) print(前5个样本的预测类别:, model_multi.predict(X_test)[:5])注意多分类时predict_proba返回一个(n_samples, n_classes)数组每行和为1。业务上可据此做“推荐置信度”排序比如对概率最高的Top3商品推送不同力度的优惠。4. 线性回归与分类的深度对比何时用哪个如何选4.1 本质差异与适用场景决策树很多人纠结“我的问题该用回归还是分类”其实答案藏在问题的终极目标里。下面这张决策树是我十年来反复验证的判断法则你的目标是预测一个连续数值吗如房价、销售额、用户停留时长 ├─ 是 → 用线性回归或其升级版岭回归、Lasso、弹性网络 └─ 否 → 你的目标是判断一个离散类别吗如买/不买、高/中/低风险、猫/狗/鸟 ├─ 是 → 用逻辑回归二分类或多项逻辑回归多分类 └─ 否 → 你的目标是聚类无监督或降维→ 换算法K-Means、PCA但现实更复杂。比如“预测用户下月消费金额”是回归但“预测用户下月消费是否超5000元”就是分类。同一组数据因业务目标不同模型选择天壤之别。我曾帮某银行做信用卡额度模型初期用回归预测“授信额度”但风控部门反馈“额度不是越大越好关键是能否按时还款”。于是转向分类——预测“未来6个月逾期概率”用逻辑回归输出概率再根据风险等级动态调整额度。结果坏账率下降22%。所以不要问“数据适合什么模型”而要问“业务需要什么答案”。模型是工具目标才是指挥棒。4.2 性能评估的黄金指标对照表评估模型不能只看一个数字。必须根据问题类型组合使用多个指标问题类型核心指标辅助指标业务含义实操建议线性回归R² / Adjusted R²RMSE, MAE, MAPER²解释变异比例RMSE是平均绝对误差元/人/小时优先看测试集RMSE它直接对应业务成本如预测房价误差1万每单损失1万二分类AUC-ROCPrecision, Recall, F1, Log LossAUC衡量模型整体区分能力Precision/Recall权衡误报与漏报成本电商推券提高Recall多覆盖潜在客户金融风控提高Precision严控坏客户多分类Weighted F1Confusion Matrix, Per-class Precision/RecallWeighted F1按样本量加权避免少数类被淹没查看混淆矩阵定位哪两类最容易混淆如A和B商品特征相似针对性补充特征实操心得永远用业务语言解释指标。不要说“AUC0.85”要说“模型能把85%的高价值客户从全体用户中正确识别出来”。老板不关心AUC只关心“能多赚多少钱”或“能少亏多少钱”。4.3 模型局限性与升级路径从入门到进阶的必经之路线性模型是起点不是终点。它们强大但有清晰的边界线性假设的硬伤世界不是线性的。房价和面积的关系在小户型可能是陡峭上升大户型趋于平缓边际效应递减用户购买意愿和浏览时长可能在10分钟内线性增长超过30分钟反而疲劳下降。此时必须引入非线性变换对面积加平方项area²对浏览时长加分段函数或直接上树模型决策树、随机森林。特征工程的天花板线性模型的效果70%取决于特征质量。我曾优化一个贷款违约预测模型原始特征只有年龄、收入、负债AUC0.68加入“近3月查询征信次数”、“工资卡流水稳定性系数”后AUC飙升至0.83。特征不是数据字段而是业务洞察的载体。多问一句“这个数字背后用户在做什么”往往比调参更有用。可解释性与复杂度的权衡线性模型最大的优势是“白盒”——系数直接告诉你每个因素的影响方向和大小。但当你堆砌几十个交互项、多项式时它就变成了“灰盒”。这时可解释性AIXAI工具如SHAP值能帮你分解复杂模型的单次预测既保留精度又还原归因。升级路径建议夯实基础把线性回归和逻辑回归的每一个系数、每一个p值、每一个残差图都搞懂。这是地基。攻克特征工程学习标准化、归一化、分箱、Target Encoding、特征交叉。这是让模型起飞的燃料。拥抱正则化从RidgeL2、LassoL1开始理解它们如何防止过拟合、进行特征选择。Lasso能自动把不重要特征的系数压到0。过渡到树模型决策树天然处理非线性、无需特征缩放、鲁棒性强。它是线性模型最平滑的进阶。5. 实战避坑大全那些只有亲手调试过才懂的细节5.1 数据准备阶段的“隐形杀手”缺失值处理的陷阱用均值填充连续变量如收入看似合理但会抹平分布尾部导致模型低估高收入群体的风险。更好的做法对收入分箱低/中/高用众数填充或用KNNImputer基于相似用户填充。我处理过一份医疗数据用均值填充“血压”缺失值模型对高血压患者的识别率暴跌40%改用基于年龄、BMI的KNN填充后恢复如初。时间序列数据的致命错误如果数据有时间维度如每日销售绝不能用train_test_split随机切分这会造成“用未来数据预测过去”导致R²虚高。必须用时间序列分割TimeSeriesSplit或手动按时间戳切分如用前80%天数训练后20%测试。类别变量的编码雷区对“省份”这种高基数类别变量直接用One-Hot编码会爆炸出30列引发维度灾难。应改用Target Encoding用该省的平均购买率代替省份名或Frequency Encoding用该省出现频次代替。某电商项目One-Hot后特征达200维训练极慢Target Encoding后降至5维效果反升。5.2 建模与调参阶段的“玄学时刻”正则化参数C的选择C是逻辑回归中正则化强度的倒数C越大正则越弱。新手常盲目网格搜索。更高效的方法用学习曲线诊断。画出不同C值下的训练/测试得分若两者差距大过拟合减小C若两者都低欠拟合增大C。我通常从C0.01, 0.1, 1, 10, 100开始试。为什么model.score()在回归和分类中含义不同回归中是R²分类中是准确率accuracy。这是scikit-learn的统一接口设计但极易混淆。永远显式调用具体指标函数r2_score(y_true, y_pred)或accuracy_score(y_true, y_pred)避免歧义。p值不是“重要性”的唯一标尺统计显著p0.05不等于业务重要。一个系数p0.06但业务上明确知道它影响巨大如“是否首次访问”应保留。反之一个p0.001的噪声特征即使显著也应剔除。p值是辅助决策的工具不是判决书。5.3 结果部署与监控阶段的“遗忘角落”模型漂移Model Drift的预警上线后数据分布会变。比如疫情后用户浏览时长普遍增加原模型对“高浏览时长”的权重就失效了。必须建立监控管道每周计算特征统计量均值、方差、缺失率并与基线对比计算预测分布如购买概率的均值是否偏移。偏移超阈值如均值变化10%触发告警。阈值不是固定的0.5逻辑回归输出概率但最终决策需要阈值。电商可能设0.3激进转化银行风控设0.7保守审批。必须用业务成本矩阵确定最优阈值定义FP成本误推券、FN成本漏客户找到使总成本最小的阈值。我帮某教育平台优化将阈值从0.5调至0.4付费转化率提升18%总获客成本反降5%。“可解释性”不是锦上添花而是合规刚需在金融、医疗等领域监管要求模型决策可追溯。线性模型的系数就是天然解释。但若用了复杂模型必须用SHAP或LIME生成单条预测的归因报告。某信贷模型上线前监管机构明确要求提供“为什么拒绝该申请”的逐条理由线性模型直接输出系数贡献一天搞定树模型团队加班一周才配齐SHAP。最后分享一个血泪教训我曾在一个项目中把清洗好的数据保存为CSV第二天用pd.read_csv()读取时因未指定
阅读完成 · 觉得有帮助？
