数据清洗的核心目标是提升模型效果，需围绕模型假设展开：统一量纲、消除噪声、暴露信号；缺失值处理分类型与比例施策；编码方式依模型特性选择；特征缩放按需进行；时间与ID字段应挖掘衍生特征。

当使用scikit-learn、statsmodels或R进行多元线性回归时，若输入特征量纲差异极大（如某特征达10¹⁸级），会导致矩阵病态、浮点精度损失，从而产生截然不同的R²、系数与截距——这并非算法差异，而是数值计算稳定性问题。

无监督学习是模型在无标签数据中自主发现结构、分组或模式的方法，核心任务包括聚类、降维、异常检测和关联规则挖掘；常用方法有K-Means（需标准化与合理选K）、PCA（线性降维）和DBSCAN（密度聚类，抗噪性强）。

RNN通过隐藏状态记忆历史信息，适合序列任务；全连接网络忽略时序关系，而RNN链式结构建模“前因后果”；长序列需LSTM/GRU缓解梯度问题；PyTorch实现含标准化、滑动窗口、LSTM+线性层、MSELoss及梯度截断；文本处理需分词、嵌入、池化或取末态；调试需监控loss、梯度裁剪、调学习率与滚动预测。

K折交叉验证要求每折使用不同的训练/验证数据划分，因此dataloader必须在每折内动态构建——不能复用外部定义的固定dataloader；否则将失去交叉验证的意义。本文详解如何重构数据加载逻辑以支持K折验证。

文本分类关键在理解任务本质、数据特性与模型行为的关系，需扎实掌握预处理、建模、调试、评估全流程，而非仅调库跑模型；应先厘清业务逻辑、标注难例、分析分布，并依数据规模选择合适模型与验证方法。

数据清洗需针对性处理缺失值与异常值：识别时兼顾各类伪装缺失；填充按列类型选择众数、中位数或前向填充；异常值优先用IQR法结合可视化判断；推荐pipe链式操作并校验结果。

时间序列预测核心在于数据准备、特征构造和模型对齐时间逻辑。需严格时间对齐（滑动窗口切片、TimeSeriesSplit交叉验证）、注入业务节奏的特征工程（时间特征、滚动统计、外部变量）、分层建模（ARIMAXGBoostTCN/Informer）及滚动评估（RollingForecastOrigin、MASE、置信.....

文本分类属于NLP任务，需专注语言处理而非图像技术；应按预处理、特征表示、模型训练、评估迭代四步学习；多模态仅适用于图文联合场景，非入门路径。

文本分类关键在理清数据、任务与评估关系。需明确样本来源、类别定义和效果计算，优先清洗文本、规范类别标准、分析分布，用TF-IDF+LR建基线，BERT微调注重输入构造与训练策略，上线前须盲测、置信过滤并监控漂移。

图像处理特征工程是目标导向的多阶段流程：预处理（灰度转换、去噪、校正、归一化）奠定基础；显式提取（边缘/纹理/颜色/HOG）适用于小数据场景；隐式提取（迁移学习、微调）由深度学习自动学习语义特征；后处理（降维、归一化、拼接、截断）提升鲁棒性。

机器学习不直接做数据可视化，但各阶段均需可视化服务建模目标：EDA阶段查数据分布与关系，特征工程中验证变换效果，模型评估时诊断拟合状态，解释阶段助力业务理解。