模型训练

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。

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。

用 JSONL 逐行迭代、HashingVectorizer 固定稀疏特征和 SGDClassifier partial_fit 分批训练文档分类器，核对首次全类别与内存边界。

用字符 TF-IDF 和逻辑回归跑通中文评论正负分类，逐句检查手工小样本、否定句误判与词表外输入，说明业务评测边界。

用固定开发集的学习曲线比较训练、验证分数和折间波动，判断继续加数据、限制模型容量或查标签的优先级，保留最终测试集。

固定同一测试集对比多数类、普通逻辑回归和 balanced 权重，查看少数类召回改善伴随的误报代价。

为数值列和类别列分别配置填补、标准化与独热编码，用 ColumnTransformer 合并输出并核对未知城市和编号排除。

用 scikit-learn 在数值表格上完成分层划分、标准化、逻辑回归训练和预测，并用多数类基线与混淆矩阵检查结果。