机器学习 / 数据分析 研究项目
交通违法预测与 SHAP
从百万级记录，到可解释的判断。
基于约 404.05 万条有效记录，比较随机森林、XGBoost、决策树与 MLP，分析不同交通情境下的违法类型。
我的工作
独立完成数据处理、模型比较与解释分析
工具与方法
Python / XGBoost / SHAP / 特征工程
交付状态
研究项目
作品呈现
Original workPROCESS
从问题到交付
- 进行字段标准化、时间分层与道路特征工程，分别处理区内和区外样本。
- 比较模型分类表现，结合学习曲线和超参数分析检查结果。
- 以 SHAP 分析交通流、早晚高峰、温度和道路类型的影响，公开包仅包含脱敏结构与代码。
成果与边界
随机森林 Macro-F1：区内 0.9366，区外 0.8209。指标来自既有项目记录，不代表本次重新训练。