机器学习

测试集结果（以“有毒”为正类）：精度 1.0000、查准率 1.0000、查全率 1.0000、F1 1.0000
十折交叉验证最优F1：1.000000，最佳参数：n_estimators=400，max_depth=None，max_features='sqrt'
n_estimators（树数）：增大可降低方差、提升稳定性，但训练时间增加；在400附近已非常稳定
max_depth（最大深度）：None允许树充分拟合类别组合；过小深度会欠拟合、降低区分力
max_features（特征子采样）：sqrt是随机森林的常用配置，提升树间差异性、改善泛化
class_weight：类别近似均衡时影响小；若引入外部数据造成不均衡，可考虑balanced
结论：在本数据集上，信号极强（如气味、孢子印颜色等），轻量网格即可获得最优F1=1.0
查准率（有毒）：1.0000，表示模型判为“有毒”的样本没有误报；安全场景下减少“误报可食”的风险
查全率（有毒）：1.0000，表示模型不漏检“有毒”；这是安全性核心指标
F1值（有毒）：1.0000，综合了查准率与查全率，表明整体判别非常完美
混淆矩阵：对角线占满，非对角线接近或为0，几乎无“有毒→可食”或“可食→有毒”的误判
十折CV与测试一致：平均F1=1.0，说明模型泛化稳定、无明显过拟合迹象（在该数据特性下）
可能存在的问题

数据易分性过强：UCI蘑菇数据某些特征（如气味）与毒性高度相关，导致完美分类；在真实环境中可能没有如此“干净”的信号
类别型取值语义：类别编码为单字符（如“n”代表“无气味”），若没有字典映射，解释性受限
特征冗余：部分列（如 veiltype）几乎不变，可能引入无效维度；对更大规模模型而言可做清理
可视化局限：pairplot对独热后的高维稀疏不适用，已改用Cramér’s V热图，但其仅反映相关强度，不等同因果
现实鲁棒性：模型在干净数据上完美，但需验证对噪声、缺失增加、异常取值的鲁棒性
可提升的改进思路

多模型对照与鲁棒性
引入 CatBoost（原生类别处理）、LightGBM/XGBoost 进行对照，评估不同算法的稳定性
噪声鲁棒测试：随机扰动部分特征或增加缺失比例，观察指标波动
特征工程与解释性
特征重要性与SHAP：输出全局/局部解释，说明模型如何利用气味、孢子印颜色等关键属性
交互特征：针对强相关的特征组合构造交互，或进行冗余特征剔除
阈值与校准
基于预测概率调节阈值，优先提高有毒的查全率；绘制阈值指标曲线
概率校准（Platt/Isotonic）提高概率输出可信度，用于风险分层
更全面的可视化
互信息热图与Cramér’s V对照，系统比较特征—标签关联强度
降维（PCA/UMAP/tSNE）后二维散点，观察整体分布与分界线形态