MachineLearning2025/G09-BankMarketing
2
0
Fork 0
Code Issues Pull Requests Actions Packages Projects Releases Wiki Activity

上传文件至 /

Browse Source
This commit is contained in:
林嘉烨 2026-01-16 19:26:34 +08:00
parent b7ca3a5bc9
commit 91136fdce4
3 changed files with 164 additions and 875 deletions
Show Stats Download Patch File Download Diff File Expand all files Collapse all files

1
.env.example Normal file
View File

@ -0,0 +1 @@
DEEPSEEK_API_KEY=your-key-here

26
.gitignore vendored Normal file
View File

@ -0,0 +1,26 @@
# ===== 环境变量（绝对不能提交！）=====
.env
# ===== Python 虚拟环境 =====
.venv/
venv/
__pycache__/
*.pyc
*.pyo
.pytest_cache/
# ===== IDE 配置 =====
.vscode/
.idea/
*.swp
# ===== macOS 系统文件 =====
.DS_Store
# ===== Jupyter =====
.ipynb_checkpoints/
# ===== 超大文件（超过 10MB 需手动添加）=====
# 如果你的数据或模型文件超过 10MB，请在下面添加：
# data/large_dataset.csv
# models/large_model.pkl

870
README.md
View File

@ -1,745 +1,46 @@
# 机器学习 × LLM × Agent：课程设计（5 天）
# 智能银行营销系统 (Smart Marketing System)
> **小组作业** | 2–3 人/组 | 构建一个「可落地的智能预测与行动建议系统」
用传统机器学习完成可量化的预测任务，再用 LLM + Agent 把预测结果变成可执行的决策/建议，并保证输出结构化、可追溯、可复现。
---
## 📅 课程安排概览
| 天数 | 主题 | 内容 |
|------|------|------|
| **Day 1** | 项目启动 | 技术栈介绍 + 演示 + 选题分组 |
| **Day 2** | 自主设计 | 分组开发 |
| **Day 3** | 答疑 + Git 指导 | 集中答疑 + Git 提交教学 |
| **Day 4** | 自主设计 | 继续开发 + 准备展示 |
| **Day 5** | 小组展示 | 教师机运行 + 评分 |
---
## 📑 目录
- [Day 1：项目启动](#day-1项目启动)
- [快速开始](#-快速开始)
- [技术栈要求](#技术栈要求2026-版)
- [选题指南](#选题指南)
- [可选扩展思路](#可选扩展思路)
- [Day 2：自主设计](#day-2自主设计)
- [Day 3：答疑 + Git 指导](#day-3答疑--git-指导)
- [Git 安装](#git-安装国内环境)
- [Git 基础操作](#git-基础操作)
- [.gitignore 详解](#gitignore-详解)
- [Day 4：自主设计](#day-4自主设计)
- [Day 5：小组展示](#day-5小组展示)
- [展示流程](#展示流程)
- [跨机运行检查清单](#跨机运行检查清单)
- [评分标准](#评分标准总分-100)
- [附录](#附录)
- [代码示例](#代码示例)
- [项目结构](#建议项目结构)
- [参考资料](#参考资料)
---
# Day 1：项目启动
## 🚀 快速开始
> **2026 最佳实践**：使用 `uv` 替代 pip/venv/poetry 进行全流程项目管理
```bash
# 1. 安装 uv（如尚未安装）
# 方法 A：使用 pip 安装（推荐，国内可用）
pip install uv -i https://mirrors.aliyun.com/pypi/simple/
# 方法 B：使用 pipx 安装（隔离环境）
pipx install uv
# 方法 C：官方脚本（需要科学上网）
# macOS / Linux: curl -LsSf https://astral.sh/uv/install.sh | sh
# Windows: powershell -c "irm https://astral.sh/uv/install.ps1 | iex"
# 配置 PyPI 镜像（加速依赖下载）
uv config set index-url https://mirrors.aliyun.com/pypi/simple/
# 2. 克隆/Fork 本模板仓库
git clone http://hblu.top:3000/MachineLearning2025/CourseDesign
cd CourseDesign
# 3. 初始化项目并安装依赖（uv 自动创建虚拟环境）
uv sync
# 4. 配置 DeepSeek API Key（不要提交到仓库！）
cp .env.example .env
# 编辑 .env 文件，填入你的 API Key
# DEEPSEEK_API_KEY="your-key-here"
# 5. 运行示例
# 方式 A：运行 Streamlit 可视化 Demo（推荐）
uv run streamlit run src/streamlit_app.py
# 方式 B：运行命令行 Agent Demo
uv run python src/agent_app.py
# 方式 C：运行训练脚本
uv run python src/train.py
```
### uv 常用命令速查
| 命令 | 说明 |
|------|------|
| `uv sync` | 同步依赖（根据 `pyproject.toml` 和 `uv.lock`） |
| `uv add <package>` | 添加依赖（自动更新 `pyproject.toml` 和 `uv.lock`） |
| `uv add --dev <package>` | 添加开发依赖（如 pytest, ruff） |
| `uv run <command>` | 在项目环境中运行命令 |
| `uv lock` | 手动更新锁文件 |
| `uv python install 3.12` | 安装指定 Python 版本 |
---
## 技术栈要求（2026 版）
| 组件 | 要求 | 2026 最佳实践 |
|------|------|---------------|
| **人数** | 2–3 人/组 | — |
| **Python 版本** | ≥ 3.12 | 推荐 3.12/3.14 |
| **项目管理** | `uv` | 替代 pip/venv/poetry，10-100x 更快 |
| **数据处理** | `polars` + `pandas>=2.2` | polars 作为主力（Lazy API），pandas 用于兼容 |
| **数据可视化** | `seaborn>=0.13` | 使用 Seaborn Objects API（`so.Plot`） |
| **数据验证** | `pydantic` + `pandera` | pydantic 验证单行/配置，pandera 验证 DataFrame 清洗前后 |
| **机器学习** | `scikit-learn` + `lightgbm` | sklearn 做基线，LightGBM 做高性能模型 |
| **Agent 框架** | `pydantic-ai` | 结构化输出、类型安全的 Agent |
| **LLM 提供方** | `DeepSeek` | OpenAI 兼容 API |
### 必须包含的三块能力
| 能力 | 说明 |
|------|------|
| **传统机器学习** | 可复现训练流程、离线评估指标、模型保存与加载 |
| **LLM** | 用于解释、归因、生成建议/回复、信息整合（不能凭空杜撰） |
| **Agent** | 用工具调用把系统串起来（至少 2 个 tool，其中 1 个必须是 ML 预测/评估相关工具） |
---
## 选题指南
> ⚠️ **注意**：Level 1/2/3 **都可以拿满分**；高难度通常更容易体现"深度"，但不会因为选 Level 1 就被封顶。
### Level 1｜入门：表格预测 + 行动建议闭环
> 📌 **建议新手选择**
**目标**：做一个结构化数据的分类/回归模型，并让 Agent 基于模型输出给出可执行建议。
#### 推荐数据集
| 数据集 | 链接 |
|--------|------|
| Telco Customer Churn | [Kaggle](https://www.kaggle.com/datasets/blastchar/telco-customer-churn) |
| German Credit Risk | [Kaggle](https://www.kaggle.com/datasets/uciml/german-credit) |
| Bank Marketing | [Kaggle](https://www.kaggle.com/datasets/janiobachmann/bank-marketing-dataset) |
| Heart Failure Prediction | [Kaggle](https://www.kaggle.com/datasets/fedesoriano/heart-failure-prediction) |
#### ✅ 必做部分
| 模块 | 要求 |
|------|------|
| **数据处理** | 使用 Polars 完成可复现的数据清洗流水线；使用 Pandera 定义 Schema |
| **机器学习** | 至少 2 个模型对比（1 个基线如 LogReg，1 个强模型如 LightGBM）；达到 `F1 ≥ 0.70` 或 `ROC-AUC ≥ 0.75` |
| **Agent** | 使用 Pydantic 定义输入输出；至少 2 个 tool（含 1 个 ML 预测工具） |
---
### Level 2｜进阶：文本任务 + 处置建议
> 📌 **NLP 向**
**目标**：做文本分类/情感分析，并让 Agent 生成结构化处置方案。
#### 推荐数据集
| 数据集 | 链接 | 说明 |
|--------|------|------|
| Twitter US Airline Sentiment | [Kaggle](https://www.kaggle.com/datasets/crowdflower/twitter-airline-sentiment) | 航空公司情感分析 |
| IMDB 50K Movie Reviews | [Kaggle](https://www.kaggle.com/datasets/lakshmi25npathi/imdb-dataset-of-50k-movie-reviews) | 电影评论情感 |
| SMS Spam Collection | [Kaggle](https://www.kaggle.com/datasets/uciml/sms-spam-collection-dataset) | 垃圾短信分类 |
| Consumer Complaints | [Kaggle](https://www.kaggle.com/datasets/selener/consumer-complaint-database) | 投诉分流 |
#### ✅ 必做部分
| 模块 | 要求 |
|------|------|
| **数据处理** | 文本清洗要「克制」，说明预处理策略；使用 Pandera 定义 Schema |
| **机器学习** | 基线 `TF-IDF + LogReg`；达到 `Accuracy ≥ 0.85` 或 `Macro-F1 ≥ 0.80` |
| **Agent** | 实现「分类 → 解释 → 生成处置方案」流程；输出结构化（Pydantic） |
---
### Level 3｜高阶：不平衡/多表/时序 + 多步决策
> 📌 **真实世界约束**
**目标**：处理更复杂的数据特性（极度不平衡、多表关联、时序预测），实现多步决策 Agent。
#### 推荐数据集
| 数据集 | 链接 | 特点 |
|--------|------|------|
| Credit Card Fraud Detection | [Kaggle](https://www.kaggle.com/datasets/mlg-ulb/creditcardfraud) | 极度不平衡 |
| IEEE-CIS Fraud Detection | [Kaggle](https://www.kaggle.com/c/ieee-fraud-detection) | 多表/特征工程复杂 |
| M5 Forecasting - Accuracy | [Kaggle](https://www.kaggle.com/competitions/m5-forecasting-accuracy) | 时序预测 |
| Instacart Market Basket | [Kaggle](https://www.kaggle.com/c/instacart-market-basket-analysis) | 多表 + 推荐 |
#### ✅ 必做部分
| 模块 | 要求 |
|------|------|
| **数据处理** | 明确主键/外键与 join 规则；写出「数据泄露风险点清单」 |
| **机器学习** | 使用合理指标（如 `PR-AUC`）；必须使用时间切分评估（如时序） |
| **Agent** | 至少 3 步决策（评估 → 解释 → 行动计划）；输出结构化 |
---
### 自选题目标准
> 💡 **鼓励自选题目**，但必须满足以下硬标准
| 要求 | 说明 |
|------|------|
| **数据真实可获取** | 公开、可重复下载（Kaggle/UCI/OpenML 等），提供链接 |
| **可量化预测任务** | 有明确标签/目标变量与评价指标 |
| **业务闭环** | 能落到「下一步做什么」的决策/行动 |
| **Agent 工具调用** | 至少 2 个 tools，其中 1 个必须是 ML 工具 |
| **规模与复杂度** | 样本量建议 ≥ 5,000 |
| **合规性** | 禁止爬取受限数据；禁止提交密钥/隐私数据 |
---
## 可选扩展思路
以下是一些可选的扩展方向，用于加深项目深度，**不作为评分硬性要求**：
| 方向 | 思路 |
|------|------|
| **可解释性** | 添加特征重要性解释工具（如 `explain_top_features`），让 Agent 能解释决策依据 |
| **代价敏感策略** | 给每个动作定义成本/收益假设，让 Agent 输出最划算的动作组合 |
| **阈值策略** | 把"预测概率"转化为"干预策略"（高/中/低风险不同处理） |
| **相似案例检索** | 用 TF-IDF/Embedding 做 `retrieve_similar(text) -> top_k`，提供可追溯证据 |
| **合规检查** | 对 Agent 输出做规则检查（如不得泄露隐私、不得虚假承诺） |
| **误差分析** | Top 误判样本分析，找出模型薄弱点 |
| **消融实验** | 对比不同特征/模型配置，得出改进方向 |
---
# Day 2：自主设计
**今日任务**：
- 分组进行项目设计与开发
- 完成数据探索与清洗
- 开始训练基线模型
**建议里程碑**：
- [ ] 数据下载并完成初步探索
- [ ] 数据清洗流水线可运行
- [ ] 基线模型训练完成
---
# Day 3：答疑 + Git 指导
## Git 安装（国内环境）
### Windows
1. 下载 Git for Windows：
- 官方镜像（推荐）：https://registry.npmmirror.com/binary.html?path=git-for-windows/
- 或官网：https://git-scm.com/download/win
2. 双击安装，全程默认设置即可
3. 安装完成后，右键可看到「Git Bash Here」选项
### macOS
```bash
# 方法 A：Xcode 命令行工具（推荐）
xcode-select --install
# 方法 B：Homebrew
brew install git
```
### Linux (Ubuntu/Debian)
```bash
sudo apt update
sudo apt install git
```
### 验证安装
```bash
git --version
# 输出类似：git version 2.43.0
```
---
## Git 基础操作
### 首次配置
```bash
# 设置用户名和邮箱（提交记录会显示）
git config --global user.name "你的姓名"
git config --global user.email "你的邮箱@example.com"
```
### 克隆仓库
```bash
# 组长创建仓库后，所有组员克隆
git clone http://hblu.top:3000/<用户名>/<项目名>.git
cd <项目名>
```
### 日常开发流程
```bash
# 1. 拉取最新代码（每次开始工作前）
git pull
# 2. 查看当前状态
git status
# 3. 添加修改的文件
git add . # 添加所有修改
git add src/train.py # 或只添加特定文件
# 4. 提交修改
git commit -m "feat: 添加数据预处理模块"
# 5. 推送到远程仓库
git push
```
### 常用命令速查
| 命令 | 说明 |
|------|------|
| `git clone <url>` | 克隆远程仓库 |
| `git pull` | 拉取远程更新 |
| `git status` | 查看当前状态 |
| `git add .` | 暂存所有修改 |
| `git commit -m "消息"` | 提交修改 |
| `git push` | 推送到远程 |
| `git log --oneline -5` | 查看最近 5 条提交 |
### 团队协作注意事项
1. **每次开始工作前先 `git pull`**，避免冲突
2. **提交信息要有意义**，如 `feat: 添加 Agent 工具` 而非 `update`
3. **小步提交**，不要把所有修改攒到最后一起提交
---
## .gitignore 详解
`.gitignore` 文件告诉 Git **哪些文件不要提交**。这非常重要，因为：
- **API Key 泄露会导致账户被盗用**
- **大文件会导致仓库臃肿**
- **临时文件没有提交意义**
### 本项目必须忽略的文件
创建 `.gitignore` 文件，内容如下：
```gitignore
# ===== 环境变量（绝对不能提交！）=====
.env
# ===== Python 虚拟环境 =====
.venv/
venv/
__pycache__/
*.pyc
*.pyo
.pytest_cache/
# ===== IDE 配置 =====
.vscode/
.idea/
*.swp
# ===== macOS 系统文件 =====
.DS_Store
# ===== Jupyter =====
.ipynb_checkpoints/
# ===== 超大文件（超过 10MB 需手动添加）=====
# 如果你的数据或模型文件超过 10MB，请在下面添加：
# data/large_dataset.csv
# models/large_model.pkl
```
> 💡 **关于 data/ 和 models/ 文件**：
> - **默认应该提交**，方便教师机直接运行
> - 如果单个文件 **超过 10MB**，请添加到 `.gitignore` 并在 `data/README.md` 中说明下载方式
### 检查 .gitignore 是否生效
```bash
# 查看哪些文件会被 Git 忽略
git status --ignored
# 如果之前已经提交了不应提交的文件，需要先从 Git 中移除
git rm --cached .env # 从 Git 移除但保留本地文件
git rm --cached -r __pycache__
git commit -m "chore: 移除不应提交的文件"
```
---
## 作业提交流程
### 1. 账号信息
账号已统一创建，请登录 [hblu.top:3000/MachineLearning2025](http://hblu.top:3000/MachineLearning2025)
| 项目 | 说明 |
|------|------|
| **用户名** | `st` + 学号（如 `st2024001`） |
| **初始密码** | `12345678`（请登录后修改） |
| **组织** | MachineLearning2025 |
> ⚠️ **首次登录后请立即修改密码**
### 2. 组长创建仓库
在 [MachineLearning2025](http://hblu.top:3000/MachineLearning2025) 组织下创建新仓库，命名格式：`组号-项目名称`（如 `G01-ChurnPredictor`）
### 3. 添加组员
Settings → Collaborators → 添加其他组员（使用 `st+学号` 搜索）
### 4. 提交检查清单
- [ ] `.gitignore` 已创建且包含必要规则
- [ ] `.env.example` 已提交，`.env` 未提交
- [ ] 没有提交 API Key 或敏感信息
- [ ] 没有提交大于 10MB 的文件
---
# Day 4：自主设计
**今日任务**：
- 继续完善项目
- 完成 Agent 集成
- 准备 Streamlit Demo
- 撰写项目报告
**建议里程碑**：
- [ ] ML 模型完成并保存
- [ ] Agent 工具调用测试通过
- [ ] Streamlit Demo 可运行
- [ ] README.md 初稿完成
---
# Day 5：小组展示
## 展示流程
1. **教师机克隆你的仓库**
```bash
git clone http://hblu.top:3000/MachineLearning2025/<项目名>.git
cd <项目名>
```
2. **安装依赖并运行**
```bash
uv sync
cp .env.example .env
# 教师填入测试用 API Key
uv run streamlit run src/streamlit_app.py
```
3. **5-8 分钟 Demo 展示**
---
## 跨机运行检查清单
> ⚠️ **避免「明明在我电脑上能跑」的问题**
### 必须检查
| 检查项 | 说明 | 常见错误 |
|--------|------|----------|
| **依赖完整** | 所有依赖都在 `pyproject.toml` 中 | 忘记 `uv add` 新安装的包 |
| **相对路径** | 数据/模型使用相对路径 | `C:\Users\张三\data.csv` |
| **环境变量** | API Key 通过 `.env` 读取 | 硬编码 Key 在代码中 |
| **数据可获取** | 数据文件有下载说明或包含在仓库 | 数据只在本地，忘记上传 |
| **uv.lock** | 锁文件已提交 | 依赖版本不确定 |
### 提交前测试方法
```bash
# 模拟干净环境测试
cd /tmp
git clone <你的仓库地址>
cd <项目名>
uv sync
cp .env.example .env
# 填入 API Key
uv run streamlit run src/streamlit_app.py
```
### 常见问题排查
| 错误 | 原因 | 解决方案 |
|------|------|----------|
| `ModuleNotFoundError` | 缺少依赖 | `uv add <包名>` 后重新提交 |
| `FileNotFoundError` | 路径问题 | 使用 `Path(__file__).parent` 获取相对路径 |
| `DEEPSEEK_API_KEY not found` | 环境变量问题 | 检查 `.env` 格式和 `python-dotenv` |
---
## 评分标准（总分 100）
> ⚠️ 所有分析、对比、决策逻辑都必须在 `README.md` 中清晰体现。
### A. 问题与数据（10 分）
| 维度 | 分值 | 要求 |
|------|------|------|
| 任务定义清晰 | 5 | 标签/目标、输入输出边界 |
| 数据说明与切分 | 5 | 来源链接、字段含义、切分策略 |
### B. 传统机器学习（30 分）
| 维度 | 分值 | 要求 |
|------|------|------|
| 基线与可复现训练 | 10 | 固定随机种子、训练脚本可跑通 |
| 指标与对比 | 10 | 达到指标要求，与基线对比 |
| 误差分析 | 10 | 展示错误样本/分桶，给出改进方向 |
### C. LLM + Agent（30 分）
| 维度 | 分值 | 要求 |
|------|------|------|
| 工具调用 | 10 | 至少 2 个 tools，能稳定调用 ML 工具 |
| 结构化输出 | 10 | Pydantic schema 清晰；字段有约束 |
| 建议可执行且有证据 | 10 | 能落地的动作清单，引用依据 |
### D. 工程与演示（30 分）
| 维度 | 分值 | 要求 |
|------|------|------|
| **Streamlit 演示** | **15** | 交互流畅；展示「预测→分析→建议」全流程 |
| **跨机运行** | **10** | 在教师机 `git clone && uv sync && uv run` 可直接运行 |
| 代码质量 | 5 | 结构清晰、有类型提示与文档 |
### ❌ 常见扣分项
- 训练/推理无法在教师机跑通
- 未使用 `uv` 管理项目
- 数据泄露（尤其是时序/多表）
- Agent 编造数据集不存在的事实
- **把密钥提交进仓库（严重扣分）**
### ✅ 常见加分项
- 使用 Polars Lazy API 高效处理数据
- 做了可解释性/阈值策略/代价敏感分析
- 做了检索增强且引用可追溯证据
- 做了消融/对比实验，结论清晰
---
# 附录
## 代码示例
### 数据处理：Polars 最佳实践
```python
import polars as pl
# ✅ 推荐：使用 Lazy API（自动查询优化）
lf = pl.scan_csv("data/train.csv")
result = (
lf.filter(pl.col("age") > 30)
.group_by("category")
.agg(pl.col("value").mean())
.collect() # 最后一步才执行
)
# ✅ 推荐：从 Pandas 无缝迁移
df_polars = pl.from_pandas(df_pandas)
df_pandas = df_polars.to_pandas()
```
### 数据验证：Pydantic + Pandera
```python
from pydantic import BaseModel, Field
class CustomerFeatures(BaseModel):
"""客户特征数据模型"""
age: int = Field(ge=0, le=120, description="客户年龄")
tenure: int = Field(ge=0, description="客户任期（月）")
monthly_charges: float = Field(ge=0, description="月费用")
contract_type: str = Field(pattern="^(month-to-month|one-year|two-year)$")
```
```python
import pandera as pa
from pandera import Column, Check, DataFrameSchema
# ✅ 定义清洗后 Schema
clean_data_schema = DataFrameSchema(
columns={
"age": Column(pa.Int, checks=[Check.ge(0), Check.le(120)], nullable=False),
"tenure": Column(pa.Int, checks=[Check.ge(0)], nullable=False),
"monthly_charges": Column(pa.Float, checks=[Check.ge(0)], nullable=False),
},
strict=True,
coerce=True,
)
```
### 机器学习：sklearn + LightGBM
```python
from sklearn.model_selection import train_test_split
from sklearn.linear_model import LogisticRegression
from sklearn.metrics import roc_auc_score
import lightgbm as lgb
import joblib
# 基线模型
baseline = LogisticRegression(max_iter=1000, random_state=42)
baseline.fit(X_train, y_train)
print("Baseline ROC-AUC:", roc_auc_score(y_test, baseline.predict_proba(X_test)[:, 1]))
# 高性能模型
lgb_model = lgb.LGBMClassifier(n_estimators=500, learning_rate=0.05, random_state=42)
lgb_model.fit(X_train, y_train)
# 保存模型
joblib.dump(lgb_model, "models/lgb_model.pkl")
```
### Agent：pydantic-ai 示例
```python
from pydantic import BaseModel, Field
from pydantic_ai import Agent, RunContext
class Decision(BaseModel):
"""Agent 输出的结构化决策"""
risk_score: float = Field(ge=0, le=1, description="预测风险概率")
decision: str = Field(description="建议策略")
actions: list[str] = Field(description="可执行动作清单")
rationale: str = Field(description="决策依据")
agent = Agent(
"deepseek:deepseek-chat",
output_type=Decision,
system_prompt="你是业务决策助手。必须先调用工具获取预测结果，再给出结构化决策。",
)
@agent.tool
def predict_risk(ctx: RunContext, features: CustomerFeatures) -> float:
"""调用 ML 模型返回风险分数"""
# TODO: 实现模型调用
pass
```
### API Key 配置
> ⚠️ **不要把 Key 写进代码、不要提交到仓库！**
创建 `.env.example`（提交到仓库）：
```
DEEPSEEK_API_KEY=your-key-here
```
复制为 `.env` 并填入真实 Key（`.env` 在 `.gitignore` 中排除）。
---
## 建议项目结构
```
ml_course_design/
├── pyproject.toml # 项目配置与依赖
├── uv.lock # 锁定的依赖版本
├── README.md # 项目说明与报告
├── .env.example # 环境变量模板
├── .gitignore # Git 忽略规则
│
├── data/ # 数据目录
│ └── README.md # 数据来源说明
│
├── models/ # 训练产物
│ └── .gitkeep
│
├── src/ # 核心代码
│ ├── __init__.py
│ ├── data.py # 数据读取/清洗
│ ├── features.py # Pydantic 特征模型
│ ├── train.py # 训练与评估
│ ├── infer.py # 推理接口
│ ├── agent_app.py # Agent 入口
│ └── streamlit_app.py # Demo 入口
│
└── tests/ # 测试
└── test_*.py
```
---
## README.md 模板（你的项目）
请将以下内容作为你项目 `README.md` 的模板
````markdown
# 项目名称
> **机器学习 (Python) 课程设计**
> **机器学习 (Python) 课程设计** | Level 1：表格预测 + 行动建议闭环
## 👥 团队成员
| 姓名 | 学号 | 贡献 |
|------|------|------|
| 张三 | 2024001 | 数据处理、模型训练 |
| 李四 | 2024002 | Agent 开发、Streamlit |
| 王五 | 2024003 | 测试、文档撰写 |
| Trae | AI-001 | 全栈开发 (Data, ML, Agent, Streamlit) |
## 📝 项目简介
（1-2 段描述项目目标、选用的数据集、解决的问题）
本项目旨在解决银行电话营销中的效率问题。利用 **Bank Marketing Dataset**，我们构建了一个**“预测 + 决策”**闭环系统。首先使用 **LightGBM** 预测客户购买定期存款的概率，然后通过 **Agent** 结合业务规则，自动生成针对不同意向客户的个性化营销策略（话术、渠道）。
**核心亮点：**
- ⚡ **高性能**：使用 Polars 进行数据处理，LightGBM 进行建模。
- 🛡️ **高可靠**：使用 Pandera 进行数据契约验证，Pydantic 保证 Agent 输出结构化。
- 🤖 **智能化**：Agent 不仅给分数，更给出可执行的行动清单。
## 🚀 快速开始
```bash
# 克隆仓库
git clone http://hblu.top:3000/MachineLearning2025/GXX-ProjectName.git
cd GXX-ProjectName
# 1. 进入项目目录
cd ml_course_design
# 安装依赖
uv sync
# 2. 安装依赖 (推荐使用 uv，也可以直接 pip)
# pip install polars lightgbm pandera streamlit pydantic python-dotenv
# 或者如果使用 uv:
# uv sync
# 配置环境变量
# 3. 配置环境变量
# 复制 .env.example 为 .env (Mock 模式下无需真实 Key)
cp .env.example .env
# 编辑 .env 填入 API Key
# 运行 Demo
uv run streamlit run src/streamlit_app.py
# 4. 训练模型 (这一步会生成 models/model_artifacts.pkl)
# 注意：Windows 下请确保 PYTHONPATH 包含当前目录
$env:PYTHONPATH="."; python src/train.py
# 5. 运行 Agent Demo
python src/agent_app.py
# 6. 启动 Streamlit 可视化界面
streamlit run src/streamlit_app.py
```
---
@ -747,41 +48,37 @@ uv run streamlit run src/streamlit_app.py
## 1️⃣ 问题定义与数据
### 1.1 任务描述
（描述预测任务类型：分类/回归/时序，以及业务目标）
- **任务类型**：二分类 (Binary Classification)
- **目标**：预测客户是否会订阅定期存款 (term deposit)。
- **业务价值**：精准定位高意向客户，减少对低意向客户的骚扰，提高营销 ROI。
### 1.2 数据来源
| 项目 | 说明 |
|------|------|
| 数据集名称 | XXX |
| 数据链接 | [Kaggle](https://...) |
| 样本量 | X,XXX 条 |
| 特征数 | XX 个 |
| 数据集名称 | Bank Marketing Dataset |
| 数据链接 | [UCI Machine Learning Repository](https://archive.ics.uci.edu/ml/datasets/Bank+Marketing) |
| 样本量 | 11,162 条 (bank.csv) |
| 特征数 | 16 个 (含 label) |
### 1.3 数据切分与防泄漏
（如何切分训练/验证/测试集？如何确保没有数据泄漏？）
- **切分策略**：80% 训练集，20% 测试集 (`train_test_split`, random_state=42)。
- **防泄漏处理**：**移除 `duration` 字段**。该字段在执行电话营销前未知，且与结果高度相关（通话时间越长越可能成功），属于典型的“未来信息泄漏”。
---
## 2️⃣ 机器学习流水线
### 2.1 基线模型
### 2.1 模型对比
| 模型 | 指标 | 结果 |
|------|------|------|
| Logistic Regression | ROC-AUC | 0.XX |
| 模型 | F1-Score | ROC-AUC | 说明 |
|------|----------|---------|------|
| **Logistic Regression (Baseline)** | 0.6554 | 0.7329 | 简单线性模型，作为基准 |
| **LightGBM (Advanced)** | **0.6917** | **0.8030** | 梯度提升树，显著优于基线 |
### 2.2 进阶模型
| 模型 | 指标 | 结果 |
|------|------|------|
| LightGBM | ROC-AUC | 0.XX |
### 2.3 误差分析
（模型在哪些样本上表现不佳？为什么？）
### 2.2 误差分析
- LightGBM 在 AUC 上提升了约 **7个百分点**，说明其排序能力更强，更适合用于生成概率评分。
- F1 分数受限于类别不平衡（deposit=yes 的样本较少），未来可尝试 SMOTE 或 Class Weight 优化。
---
@ -791,27 +88,30 @@ uv run streamlit run src/streamlit_app.py
| 工具名 | 功能 | 输入 | 输出 |
|--------|------|------|------|
| `predict_risk` | 调用 ML 模型预测 | CustomerFeatures | float |
| `explain_features` | 解释特征影响 | CustomerFeatures | list[str] |
| `predict_risk` | 调用 ML 模型预测购买概率 | `CustomerFeatures` (Pydantic) | `dict` (score, top_features) |
| `get_strategy` | 规则引擎检索营销策略 | `float` (score) | `dict` (segment, action, templates) |
### 3.2 决策流程
（Agent 如何使用工具？如：预测 → 解释 → 建议）
1. **感知 (Perception)**: Agent 接收客户画像，调用 `predict_risk` 获取购买概率。
2. **规划 (Planning)**: 根据概率调用 `get_strategy` 匹配对应的客户分群和营销渠道。
3. **行动 (Action)**: 整合信息，输出 `Decision` 对象，包含具体的行动清单（话术、渠道）。
### 3.3 案例展示
**输入**：
```
请分析这位客户的流失风险：年龄 35，任期 2 个月，月费 89.99
```
> 35岁, 管理层(management), 余额 2000, 以前没有参加过活动
**输出**：
**输出 (JSON)**：
```json
{
"risk_score": 0.72,
"decision": "高风险，建议主动挥留",
"actions": ["发送优惠短信", "客服回访"],
"rationale": "新客户 + 月付合同是流失高危特征"
"risk_score": 0.4524,
"customer_segment": "潜在客户",
"decision": "建议采取 自动化营销",
"actions": [
"使用话术: 你好，近期理财活动...",
"使用话术: 点击领取加息券"
],
"rationale": "模型预测概率为 45.2%，属于潜在客户。该群体对自动化营销转化率较高。"
}
```
@ -820,56 +120,18 @@ uv run streamlit run src/streamlit_app.py
## 4️⃣ 开发心得
### 4.1 主要困难与解决方案
（遇到的最大困难是什么？如何解决？）
- **数据泄露识别**：一开始模型准确率异常高（接近100%），排查发现是 `duration` 导致的。解决方案是果断移除该特征。
- **环境配置**：Windows 下 Python 路径问题导致模块导入失败。解决方案是通过 `$env:PYTHONPATH` 显式指定路径。
### 4.2 对 AI 辅助编程的感受
（使用 AI 工具的体验如何？哪些场景有帮助？哪些地方需要注意？）
### 4.3 局限与未来改进
（如果有更多时间，还有哪些可以改进的地方？）
````
- AI 在生成样板代码（如 Pydantic 模型定义、Streamlit UI 布局）方面效率极高。
- 对于复杂的业务逻辑（如 Agent 的决策树设计），仍需人工介入进行微调和规则定义。
---
## 参考资料
### 核心工具文档
| 资源 | 链接 | 说明 |
|------|------|------|
| uv 官方文档 | https://docs.astral.sh/uv/ | Python 项目管理器 |
| Polars 用户指南 | https://pola.rs/ | 高性能 DataFrame |
| Pydantic 文档 | https://docs.pydantic.dev/ | 数据验证与设置 |
| Pandera 文档 | https://pandera.readthedocs.io/ | DataFrame Schema 验证 |
| pydantic-ai 文档 | https://ai.pydantic.dev/ | Agent 框架 |
| DeepSeek API | https://api.deepseek.com | OpenAI 兼容 |
### 推荐学习资源
| 资源 | 链接 |
|------|------|
| Polars vs Pandas | https://pola.rs/user-guide/migration/pandas/ |
| Pydantic AI 快速入门 | https://ai.pydantic.dev/quick-start/ |
| Pandera 快速入门 | https://pandera.readthedocs.io/en/stable/try_pandera.html |
| uv 项目工作流 | https://docs.astral.sh/uv/concepts/projects/ |
---
## 📋 Checklist（提交前自检）
- [ ] 使用 `uv sync` 安装依赖，无需手动创建虚拟环境
- [ ] `.gitignore` 包含 `.env`、`__pycache__`、大文件
- [ ] 在干净环境下可以复现（`git clone && uv sync && uv run`）
- [ ] 没有提交 API Key 或敏感信息
- [ ] 使用 Polars 进行数据处理
- [ ] 使用 Pydantic 定义特征和输出模型
- [ ] Agent 至少有 2 个 tool（含 1 个 ML 工具）
- [ ] README.md 说明了数据切分策略
- [ ] Demo 可以正常运行
---
> 💬 **有问题？** 请在课程群/Issue 中提问，我们会尽快回复。
- [LightGBM Documentation](https://lightgbm.readthedocs.io/)
- [Polars User Guide](https://pola.rs/)
- [Pydantic Documentation](https://docs.pydantic.dev/)
- [Streamlit Documentation](https://docs.streamlit.io/)