只做第一步也可以
写清预测对象、预测时点、标签窗口与不可使用字段
保留真实输出或卡点，带到课堂；不要求一次完成全部。W14 · MODELING
机器学习：从特征到可复现预测Pipeline · Split · Metrics · Leakage
机器学习的核心不是调用 fit，而是把数据切分、预处理、模型和评价组织成无泄漏管线，并让指标对应真实决策成本。
0 / 0 已完成
01
知识范围 · 交互图谱
Know the map before details学完后大致能做到
区分监督学习、特征、标签与预测时点
把缺失处理、标准化与模型封装进 Pipeline
使用分层训练/测试切分并设基线模型
根据类别不平衡解释 ROC-AUC、PR-AUC、precision 与 recall
02
零基础起步
Start small · bring real progress不要等到「全部学会」才开始
先完成最小动作。哪怕没有成功复现，也请保留报错、截图和尝试过程；课堂可以展示卡点、旁听提问，并继续获得积分。
做出核心结果
对合成信用数据建立无泄漏的逻辑回归 Pipeline，比较多数类基线，报告 ROC-AUC、PR-AUC 与指定阈值下的混淆矩阵。
成功复现可获得「复现 +1」，并具备展示资格。想多做再继续
用 TimeSeriesSplit 模拟时间外验证
有拓展 +1，多拓展 +2；不影响零基础起步。完整复现步骤
写清预测对象、预测时点、标签窗口与不可使用字段
分层划分训练/测试，测试集先封存
用 ColumnTransformer + Pipeline 完成缺失处理、标准化/编码和 LogisticRegression
比较多数类/简单规则基线，报告 ROC-AUC、PR-AUC、precision、recall
选择一个阈值并用漏判/误判成本解释，不使用受保护属性做不当决策
Python · 无泄漏 Pipeline 骨架
from sklearn.compose import ColumnTransformer
from sklearn.impute import SimpleImputer
from sklearn.linear_model import LogisticRegression
from sklearn.pipeline import Pipeline
from sklearn.preprocessing import OneHotEncoder, StandardScaler
# TODO: 定义 numeric_cols / categorical_cols
pre = ColumnTransformer([
("num", Pipeline([("impute", SimpleImputer()), ("scale", StandardScaler())]), numeric_cols),
("cat", OneHotEncoder(handle_unknown="ignore"), categorical_cols),
])
model = Pipeline([("pre", pre), ("clf", LogisticRegression(max_iter=2000))])展示时可拿出的证据
- 预测合同与字段可得性表
- 完整 Pipeline 代码
- 基线与模型指标表/曲线
- 阈值选择与业务成本说明
本机自查清单
03
让 AI 一步一步带你做
Copy this starter prompt循环方式
- 告诉 AI：我是零基础、使用什么系统、当前做到哪一步
- 一次只要一个步骤，先看预期结果再执行
- 把真实输出或报错贴回 AI，不要只说「不行」
- 把验证过的步骤整理回飞书实验报告
- 重复：问 → 做 → 报错 → 修正 → 再做
给 AI 的起步提示词
我是金融学院硕士生，计算机零基础。我正在学习《金融编程与计算》W14，本周目标是：实验 12 · 信用风险基线模型。 请把我当作第一次接触这些工具的人，并遵守： 1. 一次只给我一个步骤，不要一次倾倒完整答案。 2. 每一步先用日常语言解释目的，再给可复制的命令或代码。 3. 告诉我正常情况下应该看到什么，以及最常见的一个错误。 4. 如果不知道我的操作系统、目录或安装状态，先问我，不要假设。 5. 等我贴回真实输出或报错后，再判断下一步。 现在只带我完成第一步：写清预测对象、预测时点、标签窗口与不可使用字段
04
问题驱动
这些问题不是课前考试。遇到不懂就问 AI；最后只需能结合自己的操作，说清其中一部分。
99% 准确率为什么可能是完全没用的模型？
标准化为什么必须在训练折内拟合？
标签窗口怎样影响特征可得性？
逻辑回归作为基线有何价值？
风控中 precision 与 recall 应如何结合业务成本选择？
05
只交一份实验报告
The learning process is the deliverable建议结构
- 本周目标：我想完成什么，以及最后做到哪一步
- 环境：操作系统、软件版本、安装方式与必要依赖
- 操作步骤：按真实执行顺序写出可复制的命令或代码
- 结果：关键输出、截图及我如何判断它是否正确
- 踩坑与克服：现象 → 可能原因 → 实际排查 → 解决办法
- 结论：本周学会了什么，仍有什么没有解决
- 诚实标注：哪些来自 AI 建议，哪些已由本人亲自验证
本周常见坑
- 先对全体样本标准化再切分
- 用放款后才产生的字段预测放款前风险
- 只报 accuracy
- 不断查看测试集并据此调参
不另交 AI 使用记录
只需在实验报告中诚实标注：哪些步骤来自 AI 建议，哪些已经本人验证，哪些仍未验证。学习过程写好，报告就自然产生。
06
课堂时间全部用于验收
No new lecture · public verification两次考勤
上课提前 5 分钟点名，下课前 5 分钟再次点名。
自愿共享屏幕
用本人笔记本打开实验报告，展示真实操作、结果或卡点。
现场复现与双分
作者现场运行；同学也可仅凭该文档复现，作者与复现者都加分。
随机拷问与好问题
教师判断掌握程度；旁听同学可提出被采纳的好问题。
本周可能被问
- 什么是预测时点？
- 为什么预处理必须在 Pipeline 里？
- 测试集为什么不能反复看？
- 类别不平衡时 accuracy 有何陷阱？
- 阈值改变会怎样移动 precision 与 recall？
07
本周课堂积分
Same rules every week考勤
上课提前 5 分钟点名，下课前 5 分钟再点名
出勤 +3迟到 +2早退 +2请假 +1旷课 +0
复现
使用 AI 自学，按照教学大纲完成了每周实验任务
成功复现 +1未能复现 +0
拓展
按照教学大纲完成一项或多项拓展任务
多拓展 +2有拓展 +1无拓展 +0
展示
主动共享屏幕展示复现过程，接受核验与拷问
课堂自愿共享屏幕展示 +3无课堂展示 +0
首讲
每节课堂最先自愿开讲的前 3 人
前 3 人 +1
提问
认真旁听并提出被采纳的好问题
被采纳 +0.5
拷问
面对面随机拷问 · 反空心化闸门
空心代工 −1一知半解 +1融会贯通 +2
双分
仅凭文档课堂现场复现
作者与复现者 都 +1
精选
本周最佳文档
知识库 + 席位 + 署名 + 积分 +3
做一点，也算一点
没有完成全部实验，也可以凭考勤、展示卡点、认真提问和真实回答获得积分；做得越扎实，展示、拓展、拷问、双分和精选带来的激励越多。飞书应用展示过去 30 天积分榜与总积分榜。
08
自由拓展与参考资源
拓展挑战
- 用 TimeSeriesSplit 模拟时间外验证
- 比较 class_weight 的影响
- 绘制阈值—成本曲线