模型训练

用 LabelPropagation 将未标注行设为 -1，检查已知标签保留、训练样本传播结果及独立测试，并生成需人工复核的候选行。

用 SelectKBest 在训练集内筛选分类特征，核对原始列名、筛选后形状和 Pipeline 预测；说明单变量筛选的限制与测试集边界。

用 MultiOutputRegressor 为两个连续目标分别训练回归器，固定输出顺序、保留样本编号，并按各自单位验收预测误差。

配对使用 log1p 与 expm1，让 TransformedTargetRegressor 自动还原预测，并用同一测试集核对原尺度误差和逆变换一致性。

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。

先不改模型权重：定义任务、给工具写输入输出契约、建立含反例的评估集；只有稳定的失败模式才进入下一轮改提示词或训练方案。

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。