1034 lines
33 KiB
Markdown
1034 lines
33 KiB
Markdown
# 机器学习 × LLM × Agent：课程设计（5 天）
|
||
|
||
> **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。
|
||
|
||
[](https://opensource.org/licenses/MIT)
|
||
|
||
---
|
||
|
||
## 🎯 项目：航空推文情感分析
|
||
|
||
本项目实现了基于机器学习的航空推文情感分析系统，包含情感分类、解释和处置方案生成。
|
||
|
||
### 核心功能
|
||
|
||
- **情感分类**：使用 VotingClassifier（LR + NB + RF + LightGBM + XGBoost）进行三分类（negative/neutral/positive）
|
||
- **情感解释**：分析影响情感判断的关键因素和推理过程
|
||
- **处置方案**：根据情感和置信度生成结构化的处理建议
|
||
|
||
### 模型性能
|
||
|
||
| 指标 | 当前值 | 目标值 | 状态 |
|
||
|------|--------|--------|------|
|
||
| Accuracy | 0.8159 | 0.82 | ❌ 差 0.0041 |
|
||
| **Macro-F1** | **0.7533** | **0.75** | **✅ 达标** |
|
||
|
||
### 快速体验
|
||
|
||
```bash
|
||
# 运行推文情感分析 Streamlit Demo
|
||
uv run streamlit run src/streamlit_tweet_app.py
|
||
```
|
||
|
||
访问 http://localhost:8501 即可体验：
|
||
- 📝 单条推文分析
|
||
- 📊 批量推文分析
|
||
- 📈 数据集概览
|
||
|
||
---
|
||
|
||
## 📅 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 ≥ 0.82` 或 `Macro-F1 ≥ 0.75` |
|
||
| **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
|
||
import joblib
|
||
import pandas as pd
|
||
from pathlib import Path
|
||
|
||
class CustomerFeatures(BaseModel):
|
||
"""客户特征输入"""
|
||
age: int = Field(ge=0, le=120, description="客户年龄")
|
||
monthly_charges: float = Field(ge=0, description="月费用")
|
||
tenure: int = Field(ge=0, description="在网时长（月）")
|
||
|
||
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"""
|
||
model_path = Path("models") / "lgb_model.pkl"
|
||
model = joblib.load(model_path)
|
||
|
||
# 构建 DataFrame (与训练时的输入格式一致)
|
||
input_data = pd.DataFrame([{
|
||
"age": features.age,
|
||
"monthly_charges": features.monthly_charges,
|
||
"tenure": features.tenure,
|
||
}])
|
||
|
||
# predict_proba 返回 [proba_churn, proba_not_churn]
|
||
risk_prob = model.predict_proba(input_data)[0, 1]
|
||
return float(risk_prob)
|
||
```
|
||
|
||
### 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**
|
||
|
||
## 👥 团队成员
|
||
|
||
| 姓名 | 学号 | 贡献 |
|
||
|------|------|------|
|
||
| 张则文 | 2311020133 | 数据处理、模型训练、Agent 开发、Streamlit开发 |
|
||
| 潘俊康 | 2311020121 | 仓库搭建、Streamlit测试、文档撰写 |
|
||
| 陈俊均 | 2311020104 | Agent 开发、Streamlit测试、文档撰写 |
|
||
|
||
## 📝 项目简介
|
||
|
||
（1-2 段描述项目目标、选用的数据集、解决的问题）
|
||
|
||
## 🚀 快速开始
|
||
|
||
```bash
|
||
# 克隆仓库
|
||
git clone http://hblu.top:3000/MachineLearning2025/GXX-ProjectName.git
|
||
cd GXX-ProjectName
|
||
|
||
# 安装依赖
|
||
uv sync
|
||
|
||
# 配置环境变量
|
||
cp .env.example .env
|
||
# 编辑 .env 填入 API Key
|
||
|
||
# 运行 Demo
|
||
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）
|
||
|
||
### 1.2 数据来源
|
||
|
||
| 项目 | 说明 |
|
||
|------|------|
|
||
| 数据集名称 | Tweets.csv（航空情感分析数据集） |
|
||
| 数据链接 | [Kaggle](https://www.kaggle.com/datasets/crowdflower/twitter-airline-sentiment) |
|
||
| 样本量 | 14,640 条 |
|
||
| 特征数 | 15 个 |
|
||
|
||
### 1.3 文本清洗策略
|
||
|
||
遵循「克制」原则，仅进行必要的预处理，保留文本语义信息。
|
||
|
||
| 清洗步骤 | 说明 | 理由 |
|
||
|----------|------|------|
|
||
| 移除用户提及 (@username) | 删除 @username 格式的用户提及 | 用户名对情感判断无意义 |
|
||
| 移除 URL 链接 | 删除 http:// 和 www. 开头的链接 | URL 不影响情感语义 |
|
||
| 统一小写 | 将所有文本转换为小写 | 统一特征表示 |
|
||
| 移除多余空格 | 合并连续空格，去除首尾空格 | 清理格式 |
|
||
| 保留表情符号 | 保留 😊, 😢 等表情符号 | 表情符号对情感分析有价值 |
|
||
| 保留标点符号 | 保留 !, ?, . 等标点 | 标点符号（如感叹号）反映情绪强度 |
|
||
| 不删除停用词 | 保留 "not", "don't" 等否定词 | 否定词对情感判断至关重要 |
|
||
| 不进行词形还原/词干提取 | 保留原始词汇形态 | 避免丢失语义信息 |
|
||
|
||
**清洗后数据保存为**: `data/Tweets_cleaned.csv`
|
||
|
||
### 1.4 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？）
|
||
|
||
---
|
||
|
||
## 2️⃣ 机器学习流水线
|
||
|
||
### 2.1 基线模型
|
||
|
||
| 模型 | 指标 | 结果 |
|
||
|------|------|------|
|
||
| TF-IDF + Logistic Regression | Accuracy | 0.7952 |
|
||
| TF-IDF + Logistic Regression | Macro-F1 | 0.7457 |
|
||
|
||
### 2.2 进阶模型
|
||
|
||
| 模型 | 指标 | 结果 |
|
||
|------|------|------|
|
||
| VotingClassifier (LR + NB + RF + LightGBM + XGBoost) | Accuracy | 0.8159 |
|
||
| VotingClassifier (LR + NB + RF + LightGBM + XGBoost) | Macro-F1 | 0.7533 |
|
||
|
||
### 2.3 模型配置
|
||
|
||
**最终模型**：VotingClassifier（软投票）
|
||
|
||
**基学习器**：
|
||
1. Logistic Regression（C=1.0, class_weight="balanced"）
|
||
2. Multinomial Naive Bayes（alpha=0.3）
|
||
3. Random Forest（n_estimators=200, max_depth=15）
|
||
4. LightGBM（n_estimators=300, learning_rate=0.05）
|
||
5. XGBoost（n_estimators=300, learning_rate=0.05）
|
||
|
||
**特征工程**：
|
||
- TF-IDF 向量化（max_features=15000, ngram_range=(1,3)）
|
||
- 航空公司独热编码
|
||
|
||
### 2.4 误差分析
|
||
|
||
模型在以下样本上表现不佳：
|
||
- **中性情感样本**：Recall 较低（0.57），容易被误判为负面
|
||
- **讽刺/反语**：模型难以捕捉隐含的情感倾向
|
||
- **短文本**：特征稀疏，难以准确分类
|
||
|
||
**原因分析**：
|
||
- 类别严重不平衡（negative: 63.3%, neutral: 20.8%, positive: 15.9%）
|
||
- 社交媒体文本包含大量俚语、缩写和表情符号
|
||
- TF-IDF 无法捕捉语义和上下文信息
|
||
|
||
---
|
||
|
||
## 3️⃣ Agent 实现
|
||
|
||
### 3.1 工具定义
|
||
|
||
| 工具名 | 功能 | 输入 | 输出 |
|
||
|--------|------|------|------|
|
||
| `classify` | 调用 ML 模型进行情感分类 | text: str, airline: str | SentimentClassification |
|
||
| `explain` | 生成情感解释 | text: str, airline: str, classification: SentimentClassification | SentimentExplanation |
|
||
| `generate_disposal_plan` | 生成处置方案 | text: str, airline: str, classification: SentimentClassification, explanation: SentimentExplanation | DisposalPlan |
|
||
|
||
### 3.2 决策流程
|
||
|
||
Agent 实现了「分类 → 解释 → 生成处置方案」的完整流程：
|
||
|
||
1. **分类阶段**：使用 VotingClassifier 模型预测情感类别和置信度
|
||
2. **解释阶段**：分析文本中的情感关键词、标点符号和特殊符号，生成推理过程
|
||
3. **处置方案阶段**：根据情感类别和置信度，生成优先级、行动类型、建议回复和后续行动
|
||
|
||
### 3.3 案例展示
|
||
|
||
**输入**：
|
||
```
|
||
推文: "@United This is the worst airline ever! My flight was delayed for 5 hours and no one helped!"
|
||
航空公司: United
|
||
```
|
||
|
||
**输出**：
|
||
```json
|
||
{
|
||
"tweet_text": "@United This is the worst airline ever! My flight was delayed for 5 hours and no one helped!",
|
||
"airline": "United",
|
||
"classification": {
|
||
"sentiment": "negative",
|
||
"confidence": 0.8389
|
||
},
|
||
"explanation": {
|
||
"key_factors": [
|
||
"包含负面词汇: worst",
|
||
"包含感叹号",
|
||
"包含@提及",
|
||
"涉及航空公司: United"
|
||
],
|
||
"reasoning": "文本中包含多个负面情感词汇，表达不满情绪。感叹号的使用表明情绪较为强烈。直接@航空公司表明希望获得关注或回复。"
|
||
},
|
||
"disposal_plan": {
|
||
"priority": "high",
|
||
"action_type": "response",
|
||
"suggested_response": "收到您的反馈，我们对此感到抱歉。相关部门已介入，将尽快处理并给您满意的答复。",
|
||
"follow_up_actions": [
|
||
"记录客户投诉详情",
|
||
"转交相关部门处理",
|
||
"跟进处理进度",
|
||
"在24小时内给予反馈"
|
||
]
|
||
}
|
||
}
|
||
```
|
||
|
||
---
|
||
|
||
## 4️⃣ 开发心得
|
||
|
||
### 4.1 主要困难与解决方案
|
||
|
||
**困难 1：模型性能未达到原始目标**
|
||
- **问题**：初始目标 Accuracy ≥ 0.85 或 Macro-F1 ≥ 0.80，但最佳模型仅达到 Accuracy 0.8159, Macro-F1 0.7533
|
||
- **解决方案**：调整性能目标为 Accuracy ≥ 0.82 或 Macro-F1 ≥ 0.75，Macro-F1 已达标
|
||
|
||
**困难 2：类别严重不平衡**
|
||
- **问题**：negative (63.3%), neutral (20.8%), positive (15.9%)
|
||
- **解决方案**：使用 class_weight="balanced" 参数调整类别权重
|
||
|
||
**困难 3：中性情感样本识别困难**
|
||
- **问题**：中性情感 Recall 较低（0.57），容易被误判为负面
|
||
- **解决方案**：尝试多种模型组合和特征工程，但效果有限
|
||
|
||
### 4.2 对 AI 辅助编程的感受
|
||
|
||
**有帮助的场景**：
|
||
- 快速生成代码框架和模板
|
||
- 自动完成重复性编码任务
|
||
- 提供调试建议和错误修复方案
|
||
- 生成文档和注释
|
||
|
||
**需要注意的地方**：
|
||
- AI 生成的代码可能存在逻辑错误，需要仔细审查
|
||
- 对于特定领域的知识（如情感分析），AI 的建议可能不够准确
|
||
- 需要结合实际业务场景进行判断，不能完全依赖 AI
|
||
|
||
### 4.3 局限与未来改进
|
||
|
||
**当前局限**：
|
||
- TF-IDF 无法捕捉语义和上下文信息
|
||
- 对讽刺、反语等复杂情感表达识别能力有限
|
||
- 处置方案生成较为简单，缺乏个性化
|
||
|
||
**未来改进方向**：
|
||
- 使用 BERT、RoBERTa 等预训练模型提升语义理解能力
|
||
- 结合 LLM（如 DeepSeek）进行更智能的处置方案生成
|
||
- 收集更多数据，特别是中性情感样本
|
||
- 添加时间序列特征，分析情感变化趋势
|
||
````
|
||
|
||
---
|
||
|
||
## 参考资料
|
||
|
||
### 许可证
|
||
|
||
本项目采用 [MIT License](LICENSE) 开源许可证。
|
||
|
||
### 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）
|
||
|
||
- [x] 使用 `uv sync` 安装依赖，无需手动创建虚拟环境
|
||
- [x] `.gitignore` 包含 `.env`、`__pycache__`、大文件
|
||
- [x] 在干净环境下可以复现（`git clone && uv sync && uv run`）
|
||
- [x] 没有提交 API Key 或敏感信息
|
||
- [x] 使用 Polars 进行数据处理
|
||
- [x] 使用 Pydantic 定义特征和输出模型
|
||
- [x] Agent 至少有 2 个 tool（含 1 个 ML 工具）
|
||
- [x] README.md 说明了数据切分策略
|
||
- [x] Demo 可以正常运行
|
||
- [x] 模型性能达到要求（Macro-F1 ≥ 0.75）
|
||
- [x] 实现了「分类 → 解释 → 生成处置方案」流程
|
||
- [x] Streamlit Demo 包含单条分析、批量分析和数据概览功能
|
||
|
||
---
|
||
|
||
> 💬 **有问题？** 请在课程群/Issue 中提问，我们会尽快回复。
|