企业官网建设流程全解析

数据挖掘五实验实战：随机森林 AUC 0.97 与特征重要性分析（sklearn 实测）

数据挖掘的标准流程就五步：选模型、验模型、看特征、试无监督、读混淆矩阵。本文用 5000 样本 ×12 特征的合成数据集（正负比 7:3）把五步全部跑通，sklearn 1.8 真实运行，每一行输出都可复现——包括那个"失败"的无监督实验，它的诚实结论比十个漂亮数字更有教学价值。

一、五实验总览

二、模型选择：树集成碾压线性模型

E1 的五折交叉验证：逻辑回归 AUC 0.8603，随机森林 0.9707——差出 0.11。原因在数据构造：6 个有效特征 + 3 个冗余特征 + 类内双簇结构，决策边界天然非线性。逻辑回归的线性超平面拟合不动，树集成靠分裂天然处理交互与非线性。教训不是"随机森林永远更好"，而是含冗余特征的表格数据上，树集成是默认起点。

三、验证纪律：均值 ± 标准差

E2 单次划分的测试集 AUC 0.9673，与 E1 的五折均值 0.9707 接近——但这不能靠运气，要靠cross_val_score(cv=5)的均值±标准差。单次划分在小数据上方差巨大，简历上只写"准确率 97%%"而不写交叉验证设置，是面试官最先追问的破绽。

四、无监督的诚实结论：ARI 0.0052 的教训

E4 是全文最重要的一节。直觉上"数据里有两类，KMeans(k=2) 应该能聚出来"，实测 ARI 只有0.0052——几乎等于随机。原因：造数时n_clusters_per_class=2，每类内部有 2 个几何簇，全空间其实有 4 个簇；KMeans(k=2) 按"几何距离"切，与"标签边界"根本是两种切法。正确姿势是 k=4 聚类后再做簇-标签映射。这是初学者最常见的认知坑：无监督学到的是几何结构，不是你的标签语义。

五、不平衡数据：准确率会骗人

7:3 的正负比下，一个全预测负类的"傻子模型"也有 70% 准确率。E5 的混淆矩阵给出真实画面：TN=844 / FP=29 / FN=51 / TP=326，精确率 0.9183、召回率 0.8647。少数类是"要抓的目标"时，先看召回率再看精确率，阈值从 0.5 调起。

六、复现指南

random_state=42 全程固定，python mining_lab.py一条命令复现全部数字（依赖 sklearn + numpy）。代码里保留了两次真实踩坑：变量名复用覆盖模型对象、E4 输出文案与结果矛盾——修 bug 的过程本身就是数据挖掘工作流的一部分。

📦配套完整资源已整理上传：点击查看资源包（含五实验源码与运行留档，开箱即跑）