今天的内容是进行多种机器学习模型的建立与分析，数据集依然是之前的heart.csv（已编码好）可视化部分见Day 9这里为了增强模型鲁棒性，不对数据进行异常值处理此时我们对连续变量还不能进行归一化/标准化，是为了避免关键的训练集/测试集数据泄露问题。一旦在划分数据集之前对全集应用此类预处理，训练过程就间接利用了测试集的，这会导致对模型在未知数据上性能的乐观估计。

表示客户是否会违约，其他列既有连续变量（年收入、信用分等），也有有序/无序的分类变量（工作年限、贷款用途等）。这个数据结构很典型，适合演示如何一步步搭建通用流水线。分开，再立刻切分训练集与测试集。这样做是为了保证测试集始终像“真实新数据”，不会在预处理阶段被我们提前看过。负责把不同的 transformer 分别用在对应列上，再拼成新的特征矩阵；这里记录耗时、输出分类报告和混淆矩阵，方便与未来的改

nn.Flatten确保在送入全连接层前展平图像（保留 batch 维度）。线性层 + ReLU 的组合即可完成一个简单的分类器。return x # 输出 logits，后续交给交叉熵损失展平后的输入是 3072 维，堆叠两层隐藏层并加入 Dropout。训练时 Dropout 生效，测试阶段调用会自动关闭。return x。

至此，训练营内容基本收束。整体知识密度覆盖了复试课的大部分核心点（NLP、RNN 变体等来不及展开）。体系化比“知道怎么做”更重要：很多问题如果只停留在“会用”，很容易在逻辑上出现断层；把原因讲清楚、把流程闭环串起来，才更可靠。学习需要持续堆时间：哪怕是一个小的时序预测 demo，背后也有大量隐知识（为何与 ARIMA 对比、为何用 ARIMA 做特征工程、为何要诊断残差等）。工科很多时候没有捷径

CIFAR-10 只有 32x32 分辨率，使用轻量级增强即可：随机裁剪、翻转、颜色抖动、随机旋转，并配合标准归一化。核心原则：保留预训练特征提取器的价值，只在合适位置加注意力，并通过渐进解冻避免大幅扰动。默认跑 50 个 epoch；算力有限时可先跑 5~10 轮确认流程，再拉满。空间注意力：在通道维做均值/最大池化并拼接，经 7x7 卷积得到空间权重。把预训练卷积分成“资深专家”，新加的 CB

滞后（lag）x_{t-k}表示 k 期之前的值。d处理趋势（差分让序列更平稳）p/q用 ACF/PACF 给候选，再用 AIC/残差诊断迭代SARIMAX：在 ARIMA 基础上加入季节项(P,D,Q,m)，处理季节性更自然。Ljung-Boxp 值小：残差仍有结构（模型可能不够）p 值大：没有证据表明残差有显著自相关（更像白噪声）@浙大疏锦行。

"""自定义权重初始化函数Args:model: PyTorch模型init_type: 初始化类型 ('xavier', 'kaiming', 'normal')"""# 使用示例print("使用Kaiming初始化后的模型权重统计:")print(f"自定义权重初始化函数Args:model: PyTorch模型init_type: 初始化类型 ('xavier', 'kaiming', '