机器学习

从输入类型、自定义网络、训练接口和设备条件比较 scikit-learn、PyTorch 与 XGBoost，给出具体改选条件，并用可运行的 scikit-learn 例子建立学习基准。

用 HistGradientBoostingRegressor 为数值列指定单调约束，对照无约束模型，在固定其他特征的网格上检查下降反例，并解释列顺序、类别、缺失输入和误差代价。

在 CPU 上用 StandardScaler 和 MLPClassifier 训练两维小模型，核对损失记录、预测形状和测试结果；结合实际收敛警告说明排查顺序及硬件边界。

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。

按 sample_id 将特征表与标签表一对一连接，实际检查两侧重复编号、缺失编号和未匹配记录，保存审计表后才生成训练输入。

预测前按明确字段规则校验表格，分别拦截缺列、非法数值、无穷大和越界值，保留拒绝行，并仅用训练统计填补允许缺失的特征。

用内置 digits 的 8×8 灰度图在 CPU 上训练 SVC，核对 64 维输入、独立测试结果、混淆矩阵和误分图，并说明自有图片的兼容边界。

用 get_params 查找 Pipeline 的真实嵌套参数路径，用 set_params 修改分类器，再用 clone 和重新拟合验证配置、学习状态与预测。

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。