让 AI 理解"我要清洗 CSV，做 one-hot 编码"#
ML 的数据预处理包含很多步骤：缺失值填充、分类变量编码、数值缩放。这些步骤有先后依赖关系。我的提示词：
数据配置面板应该有模型参数的配置，比如训练集测试集比例、optuna 优化参数等。ml_utils.py 中可以设置的参数都应该让用户可以修改且有默认值。
AI 的实现方案#
AI 不是简单地把所有参数暴露到前端，而是 按训练模式分组：
- 测试集比例（默认 0.2）
- 特征选择方法（F 检验 / 互信息）
- p 值阈值（默认 0.05）
- Optuna 试验次数（默认 10）
- 交叉验证折数（默认 3）
- 随机种子
- 聚类数 K
- K 搜索范围（如 2-10）
- 是否降维
- 随机种子
切换训练模式时，前端 JS 动态显示/隐藏对应参数面板。
我的调整：一键全选特征#
原始设计中用户要逐个点击列名选特征，20 列数据要点 20 次。我额外要求：
选择特征时增加一个选项，可以一键选择所有特征
AI 在列标题下方加了"全选特征"和"取消全选"两个按钮，全选时自动排除已选为目标列的那一列。
关于特征重要性图的困惑#
训练完成后，有些数据集有特征重要性图，有些没有。我的提问：
为什么有的数据集没有特征重要性分析图？
AI 的解释非常清晰：
| 最佳模型 | 有特征重要性？ | 原因 |
|---|---|---|
| RandomForest / DecisionTree 等 | ✓ 有 feature_importances_ | 树模型自带 |
| Ridge / Lasso / LogisticRegression | ✓ 有 coef_ | 线性模型用系数绝对值 |
| SVR / KNN / GaussianProcess | ✗ 没有 | 既无 feature_importances_ 也无 coef_ |
AI 还主动建议可以用
permutation_importance作为回退方案覆盖所有模型，我暂时没有采用（因为这正是不同模型的特点，只有类似树模型自带有特征重要性分析）。
提示词工程心得：问"为什么"比问"怎么做"更有价值#
当你不理解某个现象时，直接问"为什么 X 没有 Y"，AI 会给你解释底层原理。这比直接说"给我加上 Y"更有助于你做决策。