从表格数据或实验数据出发，完成特征整理、模型训练、调参、验证和结果解释，适合科研预测建模任务。
确定要预测的因变量、可用自变量、样本单位和评价指标。
机器学习模型首先要服务于研究问题，而不是追求复杂算法。
清理缺失值、异常值、分类变量和连续变量，形成可建模的数据表。
训练数据和验证数据必须使用相同的特征处理流程。
划分训练集、验证集和测试集，或使用交叉验证评估模型稳定性。
样本量较小时，交叉验证通常比单次划分更稳妥。
训练随机森林、梯度提升、支持向量机等模型，并进行基础调参。
先建立简单基线模型，再尝试复杂模型。
报告 R²、RMSE、MAE、准确率、F1 或 AUC 等指标，并分析变量重要性。
论文中应说明模型验证方式，避免只展示训练集效果。
