LLM实践系列：利用LLM重构数据科学流程05 - 模型选择与超参数调优的“智能副驾驶”

当你的数据集经过精心清洗，并注入了富有洞察力的新特征后，下一个挑战随之而来：如何选择最佳模型，并调整其参数以达到最佳性能？在传统流程中，这通常是一个漫长的试错过程，依赖于数据科学家的经验和直觉。

本章，我们将继续利用LLM，把它当作一个经验丰富的“智能副驾驶”，帮助你高效地完成模型选择与超参数调优。

1. 模型推荐：让LLM为你指路

传统做法：

数据科学家需要根据项目类型（分类、回归等）和数据特点（数据量大小、特征类型等）来手动选择模型。例如，如果数据量大且需要高性能，可能会考虑梯度提升树（Gradient Boosting Tree）。

LLM驱动的做法：

你可以直接向LLM描述你的项目目标和数据特点，让它为你推荐最合适的模型，并解释原因。

你的提问：

“我的项目目标是预测客户是否流失，这是一个二元分类问题。我已经准备好了包含数值型和类别型特征的表格数据。基于这些信息，你推荐我使用哪种模型？请解释一下为什么。”

LLM的回答（示例）：

“根据你的描述，我推荐你使用**梯度提升树（Gradient Boosting Tree）**模型，例如 LightGBM 或 XGBoost。

推荐理由：

1. 高性能