跳到正文Feedback · Jimmy Huang's Blog说明 dirty data 的 detection 和 fixing 方法整体非常准确。
Missing Dataset
整体表现较好，但 delivery_fee 的预测仍有提升空间。
delivery_fee 的数值允许存在小幅模型差异，因此这部分会结合方法论单独评估。
Outliers Dataset
说明 outlier detection 方法非常准确，没有 false positive，也没有 missed outlier。
2.2 Methodology & Documentation Feedback
缺失值填补 Methodology
在修复了 distance 和 branch_code 字段之后，应该考虑把 missing dataset 中已经修复好的记录也加入 delivery_fee 的训练或预测过程中。
你已经修复了 missing dataset 里的 branch_code；
你也已经修复了 missing dataset 里的 distance；
那么这些修复后的记录就可以作为额外数据，用于增强 delivery_fee prediction model。
这可以让模型使用更多有效样本，从而提高预测稳定性。
Outlier Detection Methodology
在构建或验证 delivery_fee 的预测模型时，也可以把清理后的 missing dataset 整合进去。
虽然当前模型已经表现得很好，并且足够满足评分要求，但从方法论角度看，更多干净数据可以帮助：
Documentation — EDA
整体文档写得不错，但还可以加强“为什么这样做”的解释。
为什么选择当前 detection 方法；
为什么选择当前 imputation 方法；
为什么没有选择其他潜在方法；
当前方法相比替代方案的优势；
当前方法的局限性。
也就是说，不只是展示做了什么，还要解释为什么这样做。
Documentation — Coding / Methods
反馈指出 notebook 中不建议放过大的代码块。
把长代码拆成更小的 cell；
每个 cell 只负责一个清晰步骤；
在关键函数或复杂逻辑前加入简短说明；
让 notebook 更容易阅读、检查和复现。
3. Task 2 — Data Reshaping Feedback
得分
整体得分较高，但仍有一些解释深度和组织结构上的改进空间。
3.1 Scaling & Transformation
反馈指出，你们研究了很多 scaling 和 transformation 方法，但需要更深入解释这些方法为什么对任务有帮助。
为什么某些 transformation 能改善线性关系；
为什么某些 transformation 能改善偏度；
为什么某些 scaling 方法适合或不适合；
为什么某些结果对 linear regression 来说是好的；
为什么某些结果对 linear regression 来说是不理想的。
也就是说，不只是比较方法结果，还要把结果和 linear regression 的需求联系起来。
3.2 Systematic Comparison
3.3 Linearity and Outliers
反馈指出还应该讨论异常值检测和清理，以及异常值是否会影响 Task 2 的分析。
outliers 会影响 skewness；
outliers 会影响 scaling 结果，尤其是 MinMaxScaler 和 StandardScaler；
outliers 会影响 correlation 和 linearity inspection；
outliers 会影响 linear regression 的 residual pattern；
因此在选择 transformation 之前，应先检查异常值是否会扭曲分析结果。
3.4 Code Documentation
4. Task 3 — Presentation Feedback
得分
整体展示分数不错，但主要扣分集中在表达方式、slide 设计和方法论解释深度上。
4.1 Delivery and Eye Contact
4.2 Slide Design
反馈指出部分 slide 内容太多，导致可读性下降。
一页 slide 放太多文字；
观众很难快速抓住重点；
presentation 的叙事会变得不够清晰；
视觉重点不突出。
4.3 Results and Analysis
dirty data 修复前后对比；
missing value imputation 的模型表现；
delivery_fee prediction 的误差分析；
outlier detection 的可视化结果；
Task 2 transformation 前后分布对比；
residual plots；
CV R² 对比；
final recommendation 的证据总结。
4.4 Missing Data Explanation
反馈指出，对于 missing data 的处理顺序，学生们表现出不确定。
先修复 branch_code；
再修复 distance；
最后预测 delivery_fee。
这个顺序需要解释清楚，因为 delivery_fee 的预测通常依赖于已经修复好的字段，例如：
先修复确定性或高置信度字段，例如 branch_code；
再基于 branch 和 route/network 信息修复 distance；
最后使用已经修复好的 branch_code 和 distance 作为特征，预测 delivery_fee；
这样可以避免把错误字段输入到模型中，导致误差传播。
5. Task 4 — AI Declaration Feedback
得分
AI Declaration 获得满分，说明声明材料提交完整，格式和要求符合标准。