机器学习

用 scikit-learn 从带标签的 Iris 数据训练决策树，导出完整文字规则和逐行预测，通过独立测试、混淆矩阵及真实决策路径检查模型。

将类别列编码为 ClassLabel，以 Datasets 分层切分训练与验证，并核对类别比例、样本 ID 交集及可重复性。

用本地 TF-IDF 与朴素贝叶斯训练问题分类器，检查独立预测、未知词和混合诉求的处理边界。

用 TF-IDF 与余弦相似度给文章做内容推荐，排除原文并核对推荐分数和词面相似的限制。

用 GridSearchCV 在训练集内部搜索 SVC 参数，逐折拟合标准化，并把独立测试集留到最终一次检查。

在留出的验证集上计算置换重要性，以分数下降解释模型依赖哪些特征，并识别负重要性与相关特征的局限。

训练一个线性回归教学模型，用独立测试集比较 MAE、RMSE、R²和均值基线，并保存残差用于检查。

用 KMeans 对虚构数值样本分组，先统一尺度，再比较候选 K，并把中心还原到原单位供人工解释。

用 Isolation Forest 为数值表格生成异常复核清单，保留原始行号并解释标签、分数和异常比例的限制。

用 joblib 保存包含标准化的完整 Pipeline，记录特征顺序与依赖版本，核对可信文件加载前后的标签和概率。