无监督学习的功能拆分#
最初的无监督学习模块只有聚类，功能单一。我向 AI 提出了拆分需求：
我觉得应该将无监督学习拆分成三个子功能：
- 帮我找群体（自动聚类）
- 找出异常样本（IsolationForest 异常检测）
- 简化数据看规律（PCA + t-SNE 降维可视化）
AI 发现的 3 个并发 Bug#
我提出拆分需求时，AI 在实现过程中主动发现了 3 个我完全没意识到的问题：
Bug 1：轮廓系数显示为 0
代码中 c.get('silhouette_score') or 0 把 None 强制转成了 0，用户会误以为聚类效果极差。
修复：None 值在 ECharts 中显示为缺口（“N/A”），不再误导用户。
Bug 2：SpectralClustering 没有运行
它不在 DEFAULT_CLUSTER_ALGORITHMS 列表中，等于少了一种聚类算法。AI 加上了。
Bug 3：无监督任务出现在预测页
无监督模型没有保存 .joblib 文件，用户选了预测会报"模型文件不存在"。
修复：前端过滤仅显示 task_type === 'supervised' 的任务。
这就是 Vibe Coding 的核心价值之一：你提出一个功能需求，AI 在实现的同时帮你发现你没想到的问题。
异常检测的 contamination 参数#
用户选择的 contamination（异常比例）对结果影响是决定性的。AI 的解释：
contamination不改变 IsolationForest 的评分本身，只改变阈值——把评分最低的 N% 标记为异常。
| contamination | 效果 |
|---|---|
| 设低了（如 0.01） | 只标记最极端的异常，漏检风险大 |
| 设对了 | 匹配真实异常比例 |
| 设高了（如 0.5） | 一半数据被标记异常，基本失去意义 |
用户正确用法：先用默认 0.1 跑一次看评分分布直方图，根据分布的双峰分界点判断合理的异常比例，再调整重新训练。
提示词工程心得：角色设定 + 领域背景#
当你在提示词中加入领域背景时，AI 的回答质量会显著提升：
“我是做电池数据分析的工程师，用户上传的数据通常是电池循环充放电的实验数据。”
这会让 AI 在建议 ML 参数范围时考虑到你数据的特性（比如建议用 contamination=0.05 因为电池异常数据通常占比很低）。