简介：面向2025深圳杯数学建模竞赛D题参赛者与建模研究者的完整分析论文，共1个PDF文件，压缩包约2.71MB。内容从赛题重述、问题分析、模型假设和符号定义切入，依次展开问题一至问题三的建模与求解：既包含特征工程设计、分类模型结构与数学表达、模型总体性能对比、不同贡献者数量下的表现、数据分布概览和重要特征分析，也涉及贡献者兼容性筛选、混合比例优化估计、组合匹配评分函数及定量评估指标。文档目录层次清晰，便于按模块查阅建模思路、复现求解流程，并结合随文代码与数据理解实现细节。已有330人学习，适合需要系统梳理D题解法、补充特征工程与模型评估知识，或为竞赛论文写作、方案复盘及答辩准备寻找参考框架的读者。
1. 建模竞赛D题的门槛：不是法医知识，是把STR图谱翻译成特征
这道数学建模竞赛D题表面考法医STR混合图谱，实质考的是把一组峰高、片段长度翻译成可计算特征的能力。几个人的DNA混在一管里，峰重叠、比例失衡、噪声干扰，参赛队最容易在第一步就分道扬镳：一队去翻法医学教材补背景，另一队直接对着表格算峰高均值和比值。评分表站在后者那边。整道题四个小问层层递进——判贡献者人数、估DNA比例、还原基因型、抗噪去噪，前一问的输出是后一问的输入，第一问判错，后面全盘皆输。GBDT在这道题里能跑到0.96，SVM只有0.59，差距不在算法新旧，在特征对不对路。下面按四个问题拆考点、给可运行代码骨架、点出最容易丢分的五个坑，适合已经能建模、但不确定论文怎么写才拿分的人。
2. 问题一考点：贡献者人数判别，胜负手在特征工程
2.1 五类特征怎么构造：从图谱到一行向量
问题一的任务是把混合样本判成2人、3人、4人、5人四类。很多人第一反应是上深度学习，但STR图谱一条样本的原始形态是「16个基因座 × 若干峰」，每个基因座的峰数还不一样，直接喂网络既难对齐也难解释。真正稳的路子是把每个基因座压成固定长度的特征，再拼成一条样本向量。
原论文提了五类特征，这个分类框架值得直接背下来。第一类是等位基因结构特征：总等位基因数、非OL等位基因数（OL指无法与标准梯度比对的片段）、等位基因数与理论上限的比值。理论上限是「人数×2」，但建模时这个分母不能用真实人数，否则就是标签泄漏，后面第5章专门讲。第二类是峰高统计特征：均值、标准差、变异系数、极值、降序排列后的前几高峰占比、最高峰与次高峰的比值。主次峰比值这个特征很关键，它刻画的是「有没有一个主导贡献者」。第三类是片段长度分布：Size的均值、标准差、极差，混合个体差异越大，这个分布越散。第四类是结构逻辑特征：是否存在k个等位基因的布尔阈值、OL比例、16个核心基因座的one-hot编码。第五类是把前四类拼成总特征向量。
落到代码上，单个基因座的特征提取大概长这样：
import numpy as np def locus_features(heights, sizes, allele_upper=10): """单个基因座的特征提取 heights: 该位点所有有效峰的峰高 sizes: 对应片段长度（bp） allele_upper: 等位基因理论数量上限，用固定常数，不用真实人数 """ h = np.asarray(heights, dtype=float) s = np.asarray(sizes, dtype=float) h_sorted = np.sort(h)[::-1] # 降序，便于取 top-k feat = {} # 1) 等位基因结构特征 feat["allele_count"] = len(h) feat["expected_allele_ratio"] = len(h) / allele_upper # 核心特征 # 2) 峰高统计特征 feat["height_mean"] = h.mean() feat["height_std"] = h.std(ddof=0) feat["height_cv"] = feat["height_std"] / (feat["height_mean"] + 1e-8) feat["height_top4"] = h_sorted[:4].sum() / (h.sum() + 1e-8) # 前四高峰占比 feat["top1_top2_ratio"] = h_sorted[0] / (h_sorted[1] + 1e-8) # 主次峰比 # 3) 片段长度分布 feat["size_range"] = s.max() - s.min() feat["size_std"] = s.std(ddof=0) return feat这段代码的逻辑是「一个基因座进、一个字典出」，外层再按16个基因座循环、把字典拼成一条长向量。allele_upper特意写成参数而不是直接乘人数，就是为了留出可配置空间——如果你把真实人数传进来当分母，模型在训练集上会漂亮得反常，测试集立刻打回原形。ddof=0表示总体标准差，样本量小时差别不大，但论文里要写清楚用的是哪一种，否则复现的人对不上数。height_top4除以总峰高做归一化，是为了消除不同样本整体荧光强度的量级差异，这一步不做，模型很容易学到「样本浓度」而不是「人数」。
原文的特征重要性排序也值得记：expected_allele_ratio权重超过0.5，遥遥领先；allele_count、height_count紧随其后；再往后是height_min、height_top4、size_range、non_ol_allele_count；height_ratio_mean、top1_top2_ratio这类峰型平衡性特征排在末段。这个排序本身就是一条答题素材：它说明人数判别主要靠「等位基因有多少」，峰高细节是辅助修正。
2.2 四个分类器的真实差距：GBDT 0.96 与 SVM 0.59
四个模型的对比数据是问题一最硬的考点，必须能默写：
| 模型 | 准确率 | 加权精确率 | 加权召回率 | 加权F1 | 交叉验证准确率 |
|---|---|---|---|---|---|
| 随机森林 | 0.7255 | 0.7302 | 0.7255 | 0.7217 | 0.7463±0.0434 |
| 梯度提升树 | 0.9608 | 0.9617 | 0.9608 | 0.9607 | 0.9584±0.0136 |
| 多层感知器 | 0.7549 | 0.7641 | 0.7549 | 0.7579 | 0.3603±0.0335 |
| 支持向量机 | 0.5931 | 0.5893 | 0.5931 | 0.5908 | 0.3529±0.0307 |
光背表没用，要能解释差距从哪来。GBDT赢在三点：树模型天然处理阈值型特征，allele_count、height_count这类整数特征在分裂点上信息增益最大；对类别不平衡不敏感，2人样本240条、5人样本144条，差距不算悬殊但树模型靠加权分裂能扛住；特征重要性可直接输出，论文里能配图，评分时是加分项。MLP的问题在交叉验证只有0.36，和训练准确率0.75差了一倍多，典型的过拟合——特征空间维度不低、样本量只有八百出头，全连接层参数太多，学到的边界不稳。SVM更糟，4人和5人样本的F1值低于0.42，说明一对多策略在高混杂度、非线性边界上基本失效。
分人数看更清楚：GBDT在2人样本上精确率1.0000、F1 0.9916，几乎完美；3人0.9254、4人0.9556、5人0.9697，全程稳在0.92以上。随机森林在4人样本上召回率掉到0.5455，漏判明显；MLP在4人精确率只有0.6047。这类题面试官最想听的不是「GBDT最好」，而是「为什么树模型在这种特征结构下占优、为什么神经模型在小样本高维特征上会翻车」。
还有一层容易被忽略：问题一的样本分布本身是考点。2人240条、3人256条、4人176条、5人144条，中低复杂度占多数，这跟真实场景里混合样本的分布一致。答题时先描述分布、再解释「等位基因数随人数右偏上升」「峰高呈幂律分布、主峰少次峰多」「主次峰比值随人数增加均值略降」，这三条描述分析写进论文，比直接甩模型结果更有说服力。
2.3 真题演练：给一组峰高，怎么答「这里面有几个人」
面试或答辩里常见的问法是：给你一个基因座的峰高序列，你怎么判断贡献者人数？这类题通常这么答，分四步走。
第一步先做单基因座的粗判。一个基因座最多出现2个等位基因（每人两个），如果某位点观测到3个及以上峰，基本可以锁定多人混合；峰数越多、且没有明显的主次峰落差，人数越可能往上走。第二步把16个基因座合起来看统计量，特别是allele_count的总和与expected_allele_ratio的均值，单个位点会骗人，16个位点的聚合稳定得多。第三步交给分类器，说明用的是GBDT、输入是本节那套特征向量、输出是四类之一，并主动报出0.96的整体准确率和0.9584的交叉验证均值。第四步必须补局限：3人及以上样本等位基因重叠严重，识别难度显著上升，这是数据本身的物理限制，不是模型没调好。
如果被追问「为什么不上深度学习」，标准答法是：样本量在千条以内，特征维度几十维，树模型在这个体量上的偏差方差权衡更好，而且特征重要性可以直接支撑法医解释；神经网络要吃到红利得靠数据量或迁移学习，这道题两个条件都不具备。这个回答既解释了选型，也顺手展示了对模型适用边界的理解。
3. 问题二考点：DNA比例估计，为什么3人样本准确率掉到25%
3.1 把回归做成分类：比例离散化的取舍
问题二在已知人数的前提下估各贡献者的DNA比例。严格说比例是连续量，但样本里的比例是设计好的离散组合：2人有1:4、1:9、1:1三种，3人有6种（1:4:1占27%、1:4:4占20%），4人有8种，5人有7到8种（1:4:4:4:1占31%）。把回归做成分类，好处是评估直观、类别边界清楚、可以直接套用问题一那套分类器；代价是模型永远给不出「1:2.7」这种连续估计，而且在比例接近均衡时，类别之间在特征空间里几乎重叠。
这一步的取舍要写进论文，不能装作没这回事。比例离散化的合理性在于：真实案件里贡献者比例本来就是未知连续量，但赛题给的是有限组合，分类框架能在有限类别上把准确率做实；不合理性在于，一旦推广到真实场景，类别空间爆炸，这套方法就要退回连续优化。这段话写出来，评委会认为你知道方法的边界在哪。
特征设计和问题一同源但侧重不同。结构特征里最关键的是「有效等位基因数」和「理论等位基因比例」，后者等于观测等位基因数除以「人数×2」，这个比值直接反映「有多少等位基因被重复观测到」，是比例失衡的信号。峰高统计特征要用变异系数和前四高峰比值，因为比例越均衡，峰高越接近，CV越小；比例越倾斜，主峰越突出，top1_top2_ratio越大。片段长度特征在比例估计里作用有限，但保留着能帮助区分不同基因座的扩增效率差异。基因座one-hot不能省，16个核心标记的扩增效率本来就不一致，不控制这个变量，模型会把基因座差异误读成比例差异。
3.2 分人数选模型：GBDT、MLP、随机森林各自守哪一段
问题二最反直觉的考点是「不同人数用不同模型」。原文的结论是：2人用GBDT，3人用MLP，4人和5人用随机森林。性能数据如下：
| 贡献者人数 | 准确率 | 加权精确率 | 加权召回率 | 加权F1 | 交叉验证准确率 |
|---|---|---|---|---|---|
| 2人 | 85.00% | 88.46% | 85.00% | 83.93% | 82.26%±2.72% |
| 3人 | 25.00% | 30.43% | 25.00% | 23.66% | 22.08%±6.26% |
| 4人 | 40.38% | 39.37% | 40.38% | 37.95% | 46.51%±7.29% |
| 5人 | 45.24% | 45.02% | 45.24% | 43.60% | 35.61%±5.10% |
这组数字要能解释，不能只报。2人为什么能到85%？类别只有3种，1:4占了近一半样本，特征空间里主次峰比值和CV的区分度足够，GBDT在小规模不平衡样本上拟合能力强。3人为什么掉到25%？类别涨到6种，1:4:1这类组合会出现「两个低比例贡献者的等位基因峰高接近」，特征上几乎不可分，MLP虽然擅长非线性关系，但在样本量240条、6个类别的情况下，每类平均40条，训练不充分。4人和5人回升到40%上下，靠的是随机森林的抗噪和鲁棒性——人数多、比例组合多，单棵树的偏差大，集成反而稳。
模型构建的代码骨架如下：
from sklearn.ensemble import GradientBoostingClassifier, RandomForestClassifier from sklearn.neural_network import MLPClassifier from sklearn.metrics import classification_report # 按人数分组建模：不同人数对应的比例类别空间完全不同 MODEL_BY_N = { 2: GradientBoostingClassifier(n_estimators=200, max_depth=3, random_state=0), 3: MLPClassifier(hidden_layer_sizes=(64, 32), max_iter=800, random_state=0), 4: RandomForestClassifier(n_estimators=300, max_depth=None, random_state=0), 5: RandomForestClassifier(n_estimators=300, max_depth=None, random_state=0), } for n, clf in MODEL_BY_N.items(): clf.fit(X_train[n], y_train[n]) # X_train[n] 只取该人数子集 pred = clf.predict(X_test[n]) print(f"contributors={n}") print(classification_report(y_test[n], pred, zero_division=0))逻辑上这是「按人数切子集、各训各的」，不是一个大模型吃所有样本。原因是比例类别的语义随人数变化：2人的「1:1」和3人的「1:1:1」在特征上不是一回事，混在一起训会让模型学到矛盾的模式。n_estimators取200到300是样本量千级以内的常见区间，再大收益递减；max_depth=3是给GBDT做正则，防止在240条样本上把树长穿；MLP的(64, 32)两层结构对应「先粗后细」的特征压缩，max_iter=800是为了让它在小样本上收敛，如果早停触发太早，交叉验证会明显低于训练集。zero_division=0是防御性写法，某个比例类别被完全预测错时，报告不会直接抛异常。
3.3 真题演练：85%到25%的落差怎么写进论文不扣分
答辩现场最容易被问的一句是：你3人样本只有25%，这个方法还能用吗？很多人下意识去解释「数据难」，这就答偏了。这类题通常这么答：先承认落差，再定位原因，最后给可验证的改进方向。
承认落差要具体：2人85%、3人25%，不是模型随机波动，是类别数从3涨到6、且1:4:1这类组合下两个低比例贡献者的峰高几乎重合导致的系统性下降。定位原因要落到特征：现有特征刻画的是「整体峰高分布」，刻画不了「哪两个峰属于同一个人」，这是信息层面的缺失，不是调参能补的。改进方向给两条，一条是工程上的——把比例从离散类别改成连续变量，用加权最小二乘或带约束的优化，让模型输出具体比例而不是类别；另一条是数据上的——针对均衡比例样本做重采样或代价敏感学习，把少数类别的权重提上来。
再补一句边界说明：这套分类框架在2人样本上已经可用（85%准确率、82%交叉验证），3人以上更适合作为「候选筛选」而不是「最终判定」，输出top-k候选交给人工复核。这句话把方法定位讲清楚了，评委会认为你懂落地。
4. 问题三、四考点：兼容性评分与多阶段去噪的完整骨架
4.1 候选基因型推断：兼容性筛选、加权最小二乘与综合评分
问题三的设定变了：不再从零猜，而是手里有一份候选个体的基因型数据库，要判断哪些人是贡献者、并还原各自基因型。原文给的是一条三步走的搜索策略，这三步是本章最该背下来的骨架。
第一步，兼容性筛选。对每个候选个体、每个基因座，看他的两个等位基因有多少落在观测到的等位基因集合里。完全重合记1，部分重合记0.5，完全不重合记0。16个基因座加权平均，得到一个候选人的兼容性得分。这一步的作用是把数据库从几百人砍到几十人，后面枚举才不会爆炸。
def compatibility_score(candidate_gt, observed, locus): """候选个体在某基因座的兼容性 candidate_gt: {locus: (a1, a2)} observed: {locus: set(观测到的等位基因)} """ a1, a2 = candidate_gt[locus] obs = observed[locus] hit = (a1 in obs) + (a2 in obs) return hit / 2.0 # 1.0 完全兼容 / 0.5 部分兼容 / 0 不兼容这段代码的关键在hit / 2.0这个归一化：每个人在一个基因座最多贡献两个等位基因，除以2之后得分落在0到1之间，跨基因座求平均才有可比性。如果直接用命中个数累加，等位基因多的候选会占便宜，这是常见翻车点。
第二步，对筛选出的组合，用加权最小二乘法估混合比例。目标是让「按比例加权后的预测峰高」和「观测峰高」的差异最小，观测峰高越高的位点权重越大，因为它们受噪声影响相对小。
第三步，综合评分排序。评分函数是两部分加权：等位基因解释率（观测到的等位基因里有多少能被这组候选人解释）加上峰高分布相关性（预测峰高和观测峰高的相关系数）。得分最高的组合就是最可能的贡献者组合，同时输出他们在每个基因座的等位基因。这个设计的聪明之处在于「结构匹配」和「数值拟合」两条腿走路，只用其中一条都会偏。
答题时要把「为什么不用纯优化」讲出来：纯优化在组合空间里容易陷局部最优，且没有解释性；先筛后评的两段式，把计算量和可解释性都兼顾了。这类题面试官最想听的是你有没有意识到「候选组合的组合数会爆炸」这个工程约束。
4.2 去噪四步：小波阈值、拖尾峰筛除、自适应筛选、匹配打分
问题四考的是鲁棒性。混合样本里噪声来源主要有两类：仪器高频噪声和PCR扩增产生的拖尾峰（伪峰）。原文给的是四阶段流程，顺序不能乱。
第一段，小波阈值去噪。把峰高信号做小波分解，高频层用软阈值压缩，低频层保留，再重构回去。选软阈值不选硬阈值，是因为硬阈值在阈值点会产生突变，重构后容易出现假的尖峰，而STR判读最怕假峰。
import numpy as np import pywt def wavelet_denoise(signal, wavelet="db4", level=3, k=1.0): """单条峰高序列的小波软阈值去噪 wavelet: 小波基，db4 在峰型信号上平衡了支撑长度和平滑性 level: 分解层数，3 层足够覆盖STR峰型的主要频段 k: 阈值系数，0.5~1.5 之间扫参，越大去噪越激进 """ coeffs = pywt.wavedec(signal, wavelet, level=level) sigma = np.median(np.abs(coeffs[-1])) / 0.6745 # MAD 稳健估计噪声 thresh = k * sigma * np.sqrt(2 * np.log(len(signal))) # 通用阈值 coeffs[1:] = [pywt.threshold(c, thresh, mode="soft") for c in coeffs[1:]] return pywt.waverec(coeffs, wavelet)[:len(signal)]参数说明要能讲：sigma用最高频层系数的中位数绝对偏差除以0.6745，这是噪声标准差的稳健估计，比直接算方差抗异常值；阈值公式里的sqrt(2*log(n))是通用阈值形式，k是人为留的调节旋钮。k太大会把真峰削平，太小去噪等于没做，论文里必须交代扫参范围，否则复现的人调不出来。level=3是因为STR峰型的主要能量集中在低频，三层分解覆盖了噪声和信号的分界。
第二段，拖尾峰识别。规则是「峰高比值 + 片段长度差」：如果一个峰的高度低于相邻主峰的某个比例，且它的片段长度和主峰差在一个特定范围内，判为PCR伪峰并剔除。这条规则是经验性的，论文里要把阈值写清楚，不能只说「根据经验」。
第三段，自适应峰值筛选。对剩下的峰做质量打分，低分峰剔除，打分维度包括峰高绝对值、峰型对称性、与邻近峰的间隔。这一步的目的是防止去噪之后仍残留的低幅噪声被当成等位基因。
第四段，改进的匹配得分函数。去噪后的信号送进和问题三类似的匹配框架，但因为峰更干净，兼容性和相关性两个分量的权重可以调。原文报的结果是大多数样本贡献者识别准确率能到0.8到1.0，极端样本也优于只做预处理或传统去噪的方案。
4.3 真题演练：结果怎么评估，指标怎么摆
问题三和问题四的评估是两条线。问题三看的是「推断出来的基因型对不对」，用准确率、召回率衡量，重点在「每个基因座的等位基因是否被完整还原」，尤其是低比例贡献者的等位基因最容易漏。问题四看的是「去噪前后识别准确率的变化」，要做对比实验：不去噪、只做基础预处理、小波去噪、完整四段流程，四条线摆在一起，才能说明每一段各自的贡献。
答这类评估题有个固定套路：先给主指标（准确率），再给分类别看（按贡献者人数或按噪声水平分层），最后给对比组。只报一个总体准确率，评委会追问「提升是去噪带来的还是筛选带来的」，答不上来就丢分。原文提到「0.8到1.0」这个区间，答题时要主动解释下界：0.8出现在极端样本，可能是低比例贡献者的峰被噪声淹没，这类样本在任何方法下都难，不属于方法缺陷。
5. 易错点：这道题最容易丢分的五个地方
5.1 假设写了六条，正文一条没用上
错在哪：模型假设部分列了贡献者独立性、峰高与DNA比例线性相关、基因座无交叉干扰、等位基因表达充分、训练样本代表性、参考库基因型可靠六条，写完就扔，后面建模完全不提。
为什么错：假设是论文的「责任边界」，评委看的是你有没有在建模时回头检查假设是否成立。峰高线性相关这条，在问题二比例失衡（1:9）时就会失效，因为高比例贡献者会压制低比例贡献者的扩增效率，你不提，等于默认方法在极端样本上也成立。
怎么答对：每条假设配一句「在哪一问用到、什么情况下会破」。比如线性假设放在问题二，注明「比例接近1:1时最可靠，1:9时峰高压缩会导致比例低估」；基因座独立性放在问题一，说明「one-hot编码已控制基因座差异，但扩增效率的交互项未建模」。这一段写两百字，比多跑一个模型更能拿分。
5.2 expected_allele_ratio 的分母埋着标签泄漏
错在哪：这个特征是「观测等位基因数 ÷（人数×2）」，人数是标签。训练时用真实人数算分母，模型等于提前看了答案，准确率虚高。
为什么错：它在特征重要性里权重超过0.5，一旦泄漏，其他特征的作用全被掩盖，模型看起来0.96，换一批数据立刻崩。这是建模竞赛里最常见的隐形失分点，评委一问「这个特征怎么算的」就露馅。
怎么答对：分母改用固定常数（比如2×5=10，即按最大人数设上限），或者干脆改造成「观测等位基因数的绝对值 + 与16个基因座理论上限的比值」，完全不含人数信息。改完之后准确率会降，但降下来的才是真实水平；论文里主动写一句「为避免标签泄漏，该特征分母未使用真实人数」，反而是加分项。
5.3 只报总体准确率，不报分人数指标
错在哪：问题一只写「GBDT准确率0.9608」，不写2人到5人各自的精确率召回率；问题二只写「2人85%」，不写3人25%。
为什么错：总体准确率会被样本分布带偏。问题一里2人和3人样本占了近六成，模型只要把这两类判对，总体数字就很好看，4人5人的短板被平均掉了。评委翻到分人数表格，发现5人召回率只有0.8889，会直接质疑「这个模型能不能用于高复杂度样本」。
怎么答对：主表给总体，副表给分层，正文里主动点出最差的那一类并解释原因。问题二那张表更要摆全，2人85%、3人25%、4人40.38%、5人45.24%，然后归因到「比例均衡时等位基因重叠」。主动暴露短板，比被追问出来强。
5.4 代码跑出来的数和论文表格对不上
错在哪：论文写GBDT交叉验证0.9584，代码里没设随机种子，或者换了一版特征，重跑出来是0.93，对不上。
为什么错：可运行代码是这份资料的核心卖点，数字对不上等于自毁可信度。更隐蔽的一种是「表格里的数是手抄的」，中间某次调参改了n_estimators，表格没同步。
怎么答对：所有模型固定random_state，交叉验证用同一套折分，论文里的每个数字都能在代码输出里找到对应行。表格下面加一句「以上结果由某脚本在固定随机种子下复现」，比任何解释都硬。答辩前把代码从头跑一遍，是血泪经验。
5.5 去噪参数不交代，真峰被削平
错在哪：问题四写了「采用小波阈值去噪」，但没写小波基、分解层数、阈值系数，也没给出去噪前后的对比图。
为什么错：小波去噪的参数直接决定削掉的是噪声还是真峰。k取2.0的时候，低比例贡献者的弱峰会被当成噪声抹掉，贡献者识别准确率反而下降。评委看不到参数，就无法判断你的「0.8到1.0」是怎么来的。
怎么答对：参数表写全（wavelet=db4、level=3、k扫描范围0.5到1.5、最优值多少），配一张去噪前后的峰型对比图，标出哪些峰被保留、哪些被剔除。再补一句「拖尾峰剔除的阈值依据是峰高比值低于主峰X%且片段长度差在Y bp以内」，把经验规则量化。
6. 答题技巧：按评分表倒推的论文骨架与四小时检查法
建模竞赛的论文评分，摘要和结果占了很大比重，但真正拉开差距的是「结构是否让人一眼看懂你在干什么」。我习惯按下面的骨架倒推写作顺序，先定表格和图，再填文字：
| 论文章节 | 必须出现的内容 | 对应问题 |
|---|---|---|
| 摘要 | 四问各一句方法+一句结果数字 | 全部 |
| 问题分析 | 每问的输入、输出、难点一句话 | 全部 |
| 模型假设 | 每条假设配「用在哪、何时失效」 | 全部 |
| 特征工程 | 特征分类表+重要性排序图 | 一、二 |
| 模型对比 | 总体性能表+分人数性能表 | 一、二 |
| 求解流程 | 兼容性筛选→比例优化→综合评分的流程图 | 三 |
| 去噪流程 | 四段流程+去噪前后对比图 | 四 |
| 模型评价 | 主动写最差的那一类及原因 | 全部 |
写作顺序建议倒着来：先把四张核心表（问题一总体性能、问题一分人数、问题二分人数、问题四去噪对比）的数字钉死，再写每张表对应的分析段落，最后补摘要和问题重述。这样能保证「表里有数、文里有话」，不会出现表格孤零零挂着没人解释的情况。
时间分配上，四问不要平均用力。问题一和问题二是基本盘，特征工程和模型对比写扎实，这两块的分最容易拿；问题三的骨架（筛选、优化、评分三步）写清楚逻辑就够，不必追求枚举规模；问题四重点在对比实验的设计，四组对照摆出来，比堆参数有用。留出最后一小时做三件事：检查所有数字能否在代码里找到出处、检查假设是否在正文被引用、检查每个图有没有一句话结论。
有个坑我踩过：第一版论文里问题二只写了2人样本85%，因为那是最漂亮的数字，3人25%藏在了附录。评审意见回来第一句就是「3人以上是否可用」。从那以后我每次写完结果部分，都强制走一遍「最差指标有没有被正面回应」这个检查——把最难看的那一行数字提到正文，给它一个归因和一条改进路径，反而成了论文里最像研究者的一段。希望帮到你。
这套论文的四个问题建模、可运行代码和数据字段说明整理在一起，按原题复现时可以直接对照着改特征和参数。
本文还有配套的精品资源，点击获取
