数据分析

用 SimpleImputer 检查训练中位数、缺失指示列与全空列输出，区分模型特征填补和原始业务事实修复。

用七条数值手算 RobustScaler 的中位数与四分位距，比较两种缩放结果，并检查极端值、零IQR和稀疏输入边界。

以 QuantileRegressor 分别训练条件分位数，生成中央预测区间，并在独立样本上核对覆盖率、宽度和越界记录。

分别查训练集与测试集的编号交集、规范化内容哈希交集，导出命中对和标签冲突；给出完整代码，并说明近似重复与相关样本泄漏仍需另外核查。

用 pandas 交叉表对照预先定义的人群与标签，定位空组和零样本组合；给出可运行代码、计数核对与补采判断，说明数据覆盖不能直接证明模型公平性。

在固定模拟数据中只污染训练目标，用 HuberRegressor 和普通线性回归对照干净测试集误差，核对残差标记并说明高杠杆特征的边界。

按预测时点构造 lag_1、lag_7，使用顺序验证与独立留出段比较模型、上一日及七日前基线，区分一步与多步预测。

根据已对齐的真值与预测计算 MAE、RMSE，并导出带稳定样本编号和残差方向的清单，定位大误差来源。

在训练数据内部用 sigmoid 拟合概率校准器，用独立测试集同时比较 Brier 分数、准确率和分组发生频率。

在 Intercom Fin Workflow 配置满意度问卷，读取 CSAT 分母和低分备注，并回到原会话定位知识或路由问题。