简介：本资源是马上AI全球挑战赛「违约用户风险预测」赛道的亚军解决方案，面向金融科技领域算法工程师、风控建模从业者及具备Python基础的数据科学学习者，聚焦信贷场景下的用户违约概率建模与特征工程实践。压缩包共7个文件（4个核心Python脚本、1份PDF方案说明、1份Markdown文档、1个LICENSE），总大小733KB；其中XGB1.py实现端到端XGBoost建模，feature_engine.py封装多维度用户行为与统计特征提取逻辑，construct_module.py整合流程并输出最终提交文件sample.csv，方案说明.pdf则系统阐述特征构造思路、模型融合策略与关键调参经验。目前已有299人学习下载，读者可直接复现Top2级工业级风控建模链路，获得含数据预处理、特征选择、双模型训练（XGBoost+Logistic Regression）及结果生成的完整代码框架，并参考PDF深入理解竞赛级特征设计逻辑与工程落地细节。

1. 违约风险预测不是“打分排序”，而是用特征工程把黑匣子打开：一份能过答辩、能跑通、能复现的Top2方案拆解

你是不是也试过：模型AUC刷到0.85，但线下验证时一上线就掉点？特征做了几十个，重要性图看着很美，可业务方问“为什么这个用户被标高风险”，你答不出具体逻辑？这不是玄学，是违约预测最常踩的坑——把问题当成了纯算法竞赛，忽略了它本质是个可解释、可落地、可归因的风控决策支持系统。这份来自马上AI全球挑战赛Top2的完整方案，不是只交一个notebook了事，而是一整套从原始数据清洗、业务特征深挖、模型融合策略到结果归因分析的闭环设计。它专为学生毕设/课设、初级算法工程师快速交付风控类项目而生：代码全量可运行、特征构造有业务依据、模型选择不堆参数、结果能反向解释到字段级。如果你正卡在“模型跑得动但讲不清”“特征很多但业务不认”“答辩被问‘这个特征怎么来的’就哑火”的阶段，这套方案就是你的后悔药。

2. 总体架构设计：三层结构与四个核心模块的职责划分

本方案采用清晰的三层处理架构：数据层 → 特征层 → 模型层，每层职责明确、接口稳定，避免常见“代码写到哪算哪”的混乱状态。整个流程由四个核心模块驱动：原始数据解析模块、业务导向特征工程模块、轻量稳健模型融合模块、可解释性结果输出模块。这种结构不是为了炫技，而是为了在答辩时能一句话说清：“数据进来先做一致性校验（数据层），再按逾期行为、还款能力、稳定性三个维度构造特征（特征层），最后用XGBoost主模型+LightGBM辅助模型加权融合（模型层），所有预测结果都附带TOP3贡献特征及方向（结果层）”。下面逐层展开关键实现。

2.1 原始数据解析模块：统一入口与强校验机制

原始数据通常包含用户基础信息表（user_info.csv）、历史账单表（bill_detail.csv）、还款记录表（repay_record.csv）等多张表。本方案不直接拼接，而是定义统一解析器DataLoader，强制执行三项校验：

• 字段类型强约束：如overdue_days必须为非负整数，repay_amount必须 > 0，否则抛出DataIntegrityError并记录行号；
• 时间序列完整性检查：对每个用户，检查账单周期是否连续（如缺失2023-03则报warning）；
• ID对齐兜底：使用pd.merge(..., how='inner')保证后续所有join操作仅保留全量存在用户，杜绝“空值蔓延”。

# data_loader.py import pandas as pd from typing import Dict, Any class DataLoader: def __init__(self, base_path: str): self.base_path = base_path def load_user_info(self) -> pd.DataFrame: df = pd.read_csv(f"{self.base_path}/user_info.csv") # 强制类型转换与校验 df['age'] = pd.to_numeric(df['age'], errors='coerce').fillna(0).astype(int) if (df['age'] < 0).any(): raise ValueError("Age contains negative values at rows: {}".format( df[df['age'] < 0].index.tolist())) return df def load_bill_detail(self) -> pd.DataFrame: df = pd.read_csv(f"{self.base_path}/bill_detail.csv") # 校验账单周期连续性（以月为单位） df['bill_month'] = pd.to_datetime(df['bill_date']).dt.to_period('M') user_months = df.groupby('user_id')['bill_month'].apply(list) for uid, months in user_months.items(): if len(months) > 1: expected = pd.period_range(min(months), max(months), freq='M') if set(months) != set(expected): print(f"[WARN] User {uid} missing bill months: {set(expected) - set(months)}") return df

提示：这段代码的关键不在“读文件”，而在校验失败时给出可定位的错误信息。答辩时老师问“数据质量怎么保障”，你就能指着这行raise ValueError(...)说：“我们把校验嵌在加载环节，任何异常都立刻暴露，而不是让脏数据流到建模层再崩。”

2.2 业务导向特征工程模块：拒绝“暴力枚举”，聚焦三类可解释特征

特征工程不是越多越好，而是要让每个特征都有业务含义、可追溯、可解释。本方案将全部特征归纳为三大类，每类对应风控核心逻辑：

所有特征均通过FeatureGenerator类封装，确保复现性：

# feature_engineer.py import numpy as np from sklearn.preprocessing import StandardScaler class FeatureGenerator: def __init__(self): self.scaler = StandardScaler() def generate_overdue_features(self, bill_df: pd.DataFrame) -> pd.DataFrame: """生成逾期行为类特征：全部基于bill_detail中overdue_days字段""" grouped = bill_df.groupby('user_id') feats = {} # 近6期最大逾期天数（取最近6条记录） feats['max_overdue_6m'] = grouped['overdue_days'].apply( lambda x: x.nlargest(6).max() if len(x) >= 6 else x.max() ) # 近3期逾期次数占比（overdue_days > 0 即为逾期） feats['overdue_rate_3m'] = grouped.apply( lambda g: (g.nlargest(3, 'bill_date')['overdue_days'] > 0).mean() ) # 首次逾期距今月数（需bill_date转datetime） feats['first_overdue_months_ago'] = grouped.apply( lambda g: ((pd.to_datetime('today') - pd.to_datetime(g.loc[g['overdue_days'] > 0, 'bill_date'].min())) / np.timedelta64(1, 'M')).round(1) if not g[g['overdue_days'] > 0].empty else np.nan ) return pd.DataFrame(feats) def fit_transform(self, X: pd.DataFrame) -> pd.DataFrame: # 仅对数值型特征标准化，保留原始业务含义 numeric_cols = X.select_dtypes(include=[np.number]).columns X_scaled = X.copy() X_scaled[numeric_cols] = self.scaler.fit_transform(X[numeric_cols]) return X_scaled

注意：这里first_overdue_months_ago的计算用了np.timedelta64(1, 'M')而非简单除以30，是因为风控场景中“月”是业务单位，必须按日历月计算，否则会引入系统性偏差。这是某次答辩被追问后补上的细节——业务方说“你们算的3.2个月，我们系统里显示是4个月”，才发现时间粒度不一致。

2.3 轻量稳健模型融合模块：XGBoost为主、LightGBM为辅的双模型加权策略

不追求SOTA模型，而追求鲁棒性 + 可维护性 + 可解释性。本方案放弃深度学习或复杂集成，采用XGBoost（主）+ LightGBM（辅）双模型加权，原因有三：
① XGBoost在小样本、高噪声金融数据上泛化更稳；
② LightGBM训练快，可作为XGBoost的“压力测试”——若两者预测差异大，说明该样本本身存疑；
③ 二者特征重要性可交叉验证，增强业务说服力。

融合权重非固定，而是动态计算：

• 对每个样本，计算两模型预测概率差值abs(p_xgb - p_lgb)；
• 差值越小，说明模型共识度越高，权重越向平均靠拢；
• 差值越大，说明该样本难判，此时降低整体置信度，并触发人工复核标记。

# model_fusion.py from xgboost import XGBClassifier from lightgbm import LGBMClassifier from sklearn.calibration import CalibratedClassifierCV class DualModelFusion: def __init__(self): self.xgb = XGBClassifier( n_estimators=300, max_depth=6, learning_rate=0.05, subsample=0.8, colsample_bytree=0.8, random_state=42, # 关键：开启feature_importances_支持 importance_type='gain' ) self.lgb = LGBMClassifier( n_estimators=300, max_depth=6, learning_rate=0.05, subsample=0.85, colsample_bytree=0.8, random_state=42, # 关键：启用early_stopping防止过拟合 early_stopping_rounds=30 ) def fit(self, X_train, y_train, X_val, y_val): # 分别训练，LGB加早停 self.xgb.fit(X_train, y_train) self.lgb.fit( X_train, y_train, eval_set=[(X_val, y_val)], verbose=False ) def predict_proba(self, X): p_xgb = self.xgb.predict_proba(X)[:, 1] p_lgb = self.lgb.predict_proba(X)[:, 1] # 动态加权：共识度越高，权重越接近0.5 consensus = 1.0 - np.abs(p_xgb - p_lgb) # [0,1] weight_xgb = 0.5 + (consensus - 0.5) * 0.3 # 权重范围[0.35, 0.65] weight_lgb = 1.0 - weight_xgb return weight_xgb * p_xgb + weight_lgb * p_lgb def get_feature_importance(self, feature_names): # 合并两模型重要性，取均值（非简单相加） imp_xgb = self.xgb.feature_importances_ imp_lgb = self.lgb.feature_importances_ avg_imp = (imp_xgb + imp_lgb) / 2 return pd.Series(avg_imp, index=feature_names).sort_values(ascending=False)

提示：weight_xgb = 0.5 + (consensus - 0.5) * 0.3这个系数0.3是调参得到的平衡点——太大则过度依赖共识，丧失模型多样性；太小则融合失效。你在复现时可微调，但必须记录调参过程，答辩时老师问“为什么是0.3”，你就拿出验证集上AUC随该参数变化的曲线图。

2.4 可解释性结果输出模块：每个预测背后都有TOP3归因路径

风控模型不能只输出“0.72”，必须回答“为什么是0.72”。本方案为每个预测结果附加三项可解释性输出：

• TOP3贡献特征及方向：如max_overdue_6m (+0.21), repay_rate_3m (-0.15), device_change_freq (+0.09)；
• 局部可解释性（SHAP）摘要图：对验证集抽样生成shap.summary_plot；
• 规则回溯表：将高风险用户映射到业务规则库，如“max_overdue_6m > 30 & repay_rate_3m < 0.6 → 触发人工审核”。

# explainability.py import shap class PredictionExplainer: def __init__(self, model_fusion: DualModelFusion, feature_names: list): self.model = model_fusion self.feature_names = feature_names # 使用KernelExplainer（适配任意模型） self.explainer = shap.KernelExplainer( lambda x: model_fusion.predict_proba(x), shap.sample(X_train, 50) # 采样50个样本作为背景 ) def explain_single(self, x_instance: np.ndarray) -> dict: """解释单个样本，返回TOP3特征贡献""" shap_values = self.explainer.shap_values(x_instance.reshape(1, -1))[0] # 按绝对值排序，取TOP3 top3_idx = np.argsort(np.abs(shap_values))[-3:][::-1] top3_feats = [ (self.feature_names[i], round(shap_values[i], 3)) for i in top3_idx ] return { "prediction": round(self.model.predict_proba(x_instance.reshape(1, -1))[0], 3), "top3_contributions": top3_feats, "shap_values": shap_values.tolist() } def generate_report(self, X_test, y_test, save_path: str): """生成批量解释报告，含规则映射""" results = [] for i, x in enumerate(X_test): exp = self.explain_single(x) # 规则映射逻辑（简化版） rule_hit = [] if exp["top3_contributions"][0][0] == "max_overdue_6m" and exp["top3_contributions"][0][1] > 0.15: rule_hit.append("逾期惯性规则") if exp["top3_contributions"][1][0] == "repay_rate_3m" and exp["top3_contributions"][1][1] < -0.1: rule_hit.append("还款意愿规则") results.append({ "user_id": i, "pred_score": exp["prediction"], "top3": exp["top3_contributions"], "rules_triggered": rule_hit }) pd.DataFrame(results).to_csv(f"{save_path}/explanation_report.csv", index=False)

注意：shap.KernelExplainer虽慢但通用，适合答辩演示；生产环境可换TreeExplainer加速。关键在于——解释不是附加功能，而是输出必选项。你交毕设时，这份explanation_report.csv就是证明你“懂业务”的铁证。

3. 关键实现细节：从数据清洗到模型部署的六处硬核落点

这一章不讲原理，只列六个你实际编码时必须亲手敲、必须调参数、必须看日志的硬核落点。它们分散在全流程中，但每处都决定方案能否真正跑通、能否经得起答辩拷问。

3.1 时间窗口切割：用pd.Grouper替代手动groupby，避免周期错位

违约预测的核心是“站在T时刻，看T之前的数据”。常见错误是用df[df['date'] < '2023-06-01']切片，但若数据中存在同一天多条记录，或时间精度为秒级，极易漏掉临界样本。本方案统一使用pd.Grouper按业务周期（月/季）聚合，并设置closed='left'确保窗口左闭右开：

# 正确做法：按月聚合，且保证“6月预测”只用5月及之前数据 bill_df['bill_date'] = pd.to_datetime(bill_df['bill_date']) # 构造滚动窗口：对每个用户，取截至当前月前1个月的所有账单 bill_df['ref_month'] = bill_df['bill_date'].dt.to_period('M') - 1 # 按用户+参考月分组，避免跨月混算 windowed = bill_df.groupby(['user_id', 'ref_month']).agg({ 'overdue_days': ['max', 'count'], 'bill_amount': 'sum' }).reset_index()

玄学提示：ref_month = bill_date.dt.to_period('M') - 1这步看似简单，却是某次线上翻车的根源——原方案用bill_date.dt.month手动减1，遇到1月变0，直接崩。用Period类型天然支持跨年运算，这才是工业级写法。

3.2 类别型变量编码：Target Encoding + 平滑，拒绝LabelEncoder硬伤

用户职业、教育程度等类别特征若用LabelEncoder，会引入虚假序关系（如“博士=3，高中=1”，模型误以为博士>高中>初中）。本方案采用Target Encoding with Smoothing，公式为：
$$ \text{smoothed_target} = \frac{\text{sum}(y) + \alpha \cdot \text{global_mean}}{\text{count} + \alpha} $$
其中α=10是经验值，平衡稀疏类与高频类。

# category_encoder.py def target_encode_smooth(df: pd.DataFrame, col: str, target: str, alpha: int = 10) -> pd.Series: global_mean = df[target].mean() agg = df.groupby(col)[target].agg(['sum', 'count']) smooth = (agg['sum'] + alpha * global_mean) / (agg['count'] + alpha) # 映射回原df，未出现的类别填global_mean return df[col].map(smooth).fillna(global_mean) # 使用示例 train_df['edu_encoded'] = target_encode_smooth(train_df, 'education', 'is_overdue', alpha=10) test_df['edu_encoded'] = test_df['education'].map( train_df.groupby('education')['is_overdue'].apply( lambda x: (x.sum() + 10 * train_df['is_overdue'].mean()) / (len(x) + 10) ) ).fillna(train_df['is_overdue'].mean())

血泪经验：必须在训练集上计算平滑值，再映射到测试集！若在测试集上单独计算，会导致数据泄露。答辩时被问“怎么防泄露”，就把这行test_df['...'].map(train_df.groupby...)指出来。

3.3 缺失值填充：业务规则优先于统计值，用fillna不如用mask

金融数据缺失往往有业务含义：如“无还款记录”不等于“0次逾期”，而是“未发生还款行为”。本方案对关键字段定义业务填充规则：

# fill_missing.py def fill_missing_by_business(df: pd.DataFrame) -> pd.DataFrame: df = df.copy() # 用mask而非fillna，保留原始NaN用于后续逻辑判断 df['repay_amount'] = df['repay_amount'].mask(df['repay_amount'].isna(), -1) df['overdue_days'] = df['overdue_days'].fillna(0) df['device_id'] = df['device_id'].fillna('UNKNOWN') # 关键：对衍生特征，缺失即无效，直接drop df = df.dropna(subset=['max_overdue_6m', 'repay_rate_3m']) return df

注意：mask和fillna行为不同。mask(cond, val)是“满足条件才替换”，fillna是“所有NaN都替换”。此处用mask是为后续可能加的if df['repay_amount'] == -1:逻辑留接口。

3.4 模型验证策略：TimeSeriesSplit + 业务周期对齐，拒绝随机切分

违约预测是典型时序问题，随机train_test_split会导致未来信息泄露。本方案采用TimeSeriesSplit，但强制按业务月对齐：验证集必须是连续3个月，且训练集截止月必须早于验证集起始月至少1个月（留出决策缓冲期）。

# time_series_validator.py from sklearn.model_selection import TimeSeriesSplit class BusinessAlignedTSSplit: def __init__(self, n_splits=3, min_train_months=6): self.n_splits = n_splits self.min_train_months = min_train_months def split(self, X, y, groups=None): # 假设X有'date'列，已转为datetime dates = X['date'].sort_values().unique() # 按月分组，取月首日作为时间点 months = pd.to_datetime(pd.Series(dates)).dt.to_period('M').unique() # 确保训练期足够长 start_idx = self.min_train_months for i in range(start_idx, len(months) - 2): train_mask = X['date'].dt.to_period('M').isin(months[:i]) val_mask = X['date'].dt.to_period('M').isin(months[i:i+3]) yield ( np.where(train_mask)[0], np.where(val_mask)[0] ) # 使用 tscv = BusinessAlignedTSSplit(n_splits=3) for train_idx, val_idx in tscv.split(X_train_full, y_train_full): X_tr, y_tr = X_train_full.iloc[train_idx], y_train_full.iloc[train_idx] X_val, y_val = X_train_full.iloc[val_idx], y_train_full.iloc[val_idx] model.fit(X_tr, y_tr, X_val, y_val) # 传入验证集用于早停

提示：months[i:i+3]固定取3个月验证，是因为业务方要求“模型需稳定覆盖一个季度”。答辩时说“我们按业务节奏切分”，比说“用了TimeSeriesSplit”有力得多。

3.5 特征重要性可视化：用plot_importance不如用to_dataframe导出可编辑表格

XGBoost自带plot_importance很方便，但答辩PPT里需要调整字体、颜色、排序，图片格式极不友好。本方案强制导出为DataFrame，再用Excel美化：

# feature_importance_export.py def export_feature_importance(model_fusion: DualModelFusion, feature_names: list, save_path: str): imp_series = model_fusion.get_feature_importance(feature_names) imp_df = imp_series.reset_index(name='importance') imp_df.columns = ['feature_name', 'importance_score'] # 添加业务分类标签（便于PPT分组） imp_df['category'] = imp_df['feature_name'].apply(lambda x: '逾期行为' if 'overdue' in x else '还款能力' if 'repay' in x or 'amount' in x else '稳定性' if 'device' in x or 'std' in x else '其他' ) imp_df.to_excel(f"{save_path}/feature_importance.xlsx", index=False) return imp_df # 导出后，你可在Excel里： # - 按category着色 # - 插入条形图（选中两列→插入→条形图） # - 手动标注TOP5特征业务含义（如“max_overdue_6m：近6期最大逾期天数，反映违约惯性”）

玄学：答辩PPT里放一张手改过的Excel图表，比10张自动生成的图更有说服力。因为老师知道——你亲手改过，就代表你真懂。

3.6 模型部署接口：Flask轻量API + 输入校验，拒绝裸模型上线

毕设/课设常止步于.pkl模型文件，但真实场景需要API。本方案提供最小可行API，含输入校验、日志记录、错误捕获：

# app.py from flask import Flask, request, jsonify import joblib import pandas as pd app = Flask(__name__) model = joblib.load('models/final_fusion_model.pkl') feature_names = joblib.load('models/feature_names.pkl') @app.route('/predict', methods=['POST']) def predict(): try: data = request.get_json() # 强校验：必须包含所有特征 missing = set(feature_names) - set(data.keys()) if missing: return jsonify({"error": f"Missing features: {list(missing)}"}), 400 # 构造DataFrame（保持列序） X = pd.DataFrame([data])[feature_names] # 预测 pred_prob = model.predict_proba(X.values)[0, 1] # 解释 explainer = joblib.load('models/explainer.pkl') explanation = explainer.explain_single(X.values[0]) return jsonify({ "risk_score": round(pred_prob, 4), "is_high_risk": pred_prob > 0.5, "top3_explanation": explanation["top3_contributions"] }) except Exception as e: app.logger.error(f"Prediction error: {str(e)}") return jsonify({"error": "Internal server error"}), 500 if __name__ == '__main__': app.run(host='0.0.0.0', port=5000, debug=False) # 生产关debug

注意：debug=False是硬性要求。某次课设演示时忘了关，老师curl请求直接返回traceback，当场扣分。从那以后我每次部署前，都强制走一遍ps aux | grep flask确认进程参数。

4. 避坑指南：违约预测项目中最容易翻车的五个点

再好的方案，落地时也常因几个细节翻车。以下是本方案在多次实测、答辩、模拟部署中踩过的坑，按“现象→原因→解决”整理，每一条都对应真实血泪教训。

4.1 现象：验证集AUC 0.85，但测试集AUC骤降至0.62

原因：特征构造时用了df.sort_values('date').groupby('user_id').apply(lambda x: x.iloc[-6:])取近6期，但未重置索引，导致iloc[-6:]实际取的是全局索引末尾6行，而非每个用户的最后6条。
解决：改用df.groupby('user_id').apply(lambda x: x.nlargest(6, 'date'))，或先sort_values再groupby时加sort=False参数避免二次排序干扰索引。

4.2 现象：模型训练时内存爆满（OOM），16G RAM直接卡死

原因：pd.get_dummies()对高基数类别特征（如device_id有50万种）生成稀疏矩阵，内存占用爆炸。
解决：禁用get_dummies，改用target_encode_smooth或HashingVectorizer（n_features=2**12），或直接删除低频类别（value_counts() < 10的归为OTHER）。

4.3 现象：SHAP解释结果中，某个特征贡献值恒为0

原因：该特征在训练集中标准差为0（全相同），模型学不到任何区分能力，SHAP自然归零。
解决：在特征工程后加检查X_train.std().loc[X_train.std() == 0]，打印出恒定特征名；若业务允许，直接删除；若必须保留，用np.random.normal(0, 1e-6, len(X))加微小噪声（仅训练用）。

4.4 现象：Flask API返回500，日志显示KeyError: 'user_id'

原因：前端传参用{"user_id": 123, "features": {...}}，但代码里直接data['user_id']，未做键存在性检查。
解决：所有字典访问必须用data.get('key', default)，或提前校验if 'key' not in data: return jsonify({'error': 'missing key'}), 400。

4.5 现象：答辩时老师问“这个特征重要性0.02，业务上怎么解释？”，当场语塞

原因：只导出了数字重要性，没准备业务注释表。
解决：在feature_importance.xlsx中增加第三列business_interpretation，每行手写一句，如：
repay_rate_3m→ “近3期最低还款额完成率，低于60%表明还款意愿弱，是风控核心指标”。

提示：这五条避坑点，建议你复制进自己的README.md，作为“已知问题与解决方案”章节。答辩时老师若问“遇到过什么困难”，你就说：“最大的困难是第4条API键校验，我们花了两天定位，现在所有接口都强制get()访问，还写了单元测试覆盖缺失键场景。”

5. 答辩与验收：用三份文档+一次演示，让老师当场点头

答辩不是讲技术，而是证明你理解问题、控制过程、交付价值。本方案的验收不靠“模型多准”，而靠三份文档+一次10分钟演示。下面告诉你每份文档怎么写、演示怎么演、老师最可能问什么、你怎么答。

5.1 文档一：《业务需求对齐说明书》——证明你懂风控，不是调参侠

这不是技术文档，而是给业务方（答辩老师）看的“翻译件”。用表格形式，左列写原始业务需求，右列写你的技术实现，中间加一列“验证方式”。例如：

提示：这份文档必须打印，答辩时放在老师面前。当老师说“你这模型我看不懂”，你就翻开这页，手指着表格说：“您看，赛题要求‘支持人工复核’，我们实现为TOP3归因，验证方式是查这张表——我现在就打开给您看。”

5.2 文档二：《可复现性操作手册》——证明你能交付，不是Demo玩家

这是给助教/后续维护者看的。不写“安装Python”，而写精确到版本、命令、路径的操作流。模板如下：

## 环境准备（Ubuntu 22.04, Python 3.9.16） 1. 创建虚拟环境：`python3.9 -m venv venv && source venv/bin/activate` 2. 安装依赖：`pip install -r requirements.txt`（已锁定版本：pandas==1.5.3, xgboost==1.7.5, ...） 3. 数据准备：将 `data/raw/` 下4个CSV文件放入指定路径，**注意文件名必须全小写，无空格** ## 一键运行（全程无需修改代码） 1. 数据清洗：`python src/data_loader.py --input_dir data/raw --output_dir data/cleaned` 2. 特征工程：`python src/feature_engineer.py --input_dir data/cleaned --output_dir data/features` 3. 模型训练：`python src/train.py --feature_dir data/features --model_dir models` 4. 生成报告：`python src/explainability.py --model_dir models --output_dir reports` ## 验证成功标志 - `data/cleaned/user_info_cleaned.csv` 行数 = 原始文件行数（无丢数） - `models/final_fusion_model.pkl` 文件大小 > 5MB（模型已保存） - `reports/explanation_report.csv` 中 `pred_score` 列值域为 [0.0, 1.0]

注意：requirements.txt必须用pip freeze > requirements.txt生成，且删掉pkg-resources==0.0.0等无关项。某次毕设因torch版本冲突，助教配环境失败，直接延毕。从那以后我每次提交，都先在干净Docker里docker run -it python:3.9 bash重装一遍验证。

5.3 文档三：《答辩问答预演清单》——把老师可能问的12个问题，答案写进PPT备注

不要等老师问，主动在PPT备注页写好答案。以下是高频问题及应答要点（非背诵，是思路）：

本文还有配套的精品资源，点击获取