架构设计：CBAM应插入残差块之后或网络关键位置训练策略：采用分阶段、差异化学习率微调性能平衡：保持预训练特征的同时有效集成CBAM实践建议：从小学习率开始，逐步解冻网络层@浙大疏锦行。

修改颜色和样式。

取值范围：[-1, 1]，绝对值越大相关性越强。基于决策树的特征分裂增益评估重要性。常用模型：随机森林、XGBoost。：对候选特征集使用RFE/SHAP。：正则化强度（越大选择特征越少）计算特征与目标变量的线性相关性。优势：捕捉非线性关系和交互作用。：使用方差筛选去除明显无关特征。假设：低方差特征包含信息量少。可能误删重要但取值稳定的特征。：交叉验证自动确定最优特征数。适用于：高维数据，线性关系

注意力热图(Attention Heatmap)是一种可视化技术，用于展示神经网络(特别是注意力机制)在处理输入数据时对不同部分的关注程度。注意力热图是理解深度学习模型内部工作机制的重要工具，特别是在基于注意力机制的模型中，它能直观展示模型关注的重点区域，有助于模型调试和解释。@浙大疏锦行。

系数显著性：P>|z|应<0.05信息准则：AIC/BIC越小越好残差诊断Ljung-Box检验（p>0.05）Jarque-Bera检验（残差正态性）系数值范围AR系数应位于(-1,1)保证平稳MA系数应位于(-1,1)保证可逆。

1 、classification_report 它会生成所有类别的指标2 、准确率（Accuracy）是一个全局指标，衡量所有类别预测正确的比例 (TP + TN) / (TP + TN + FP + FN)。它不区分正负类，所以它只有一个值，不区分类别3 、单独调用的 precision_score, recall_score, f1_score 在二分类中默认只计算正类（标签 1）的性能。由