基于Kaggle SpaceshipTitanic竞赛数据，独立完成了涵盖数据清洗、特征工程、模型训练与评估的端到端机器学习二分类预测项目。针对数据集中的混合类型特征与非随机缺失现象，设计了基于业务逻辑的智能填补策略（利用CryoSleep与消费金额的互斥关系进行缺失值反推），并对Cabin字段进行字符串拆分解构出Deck/NUM/Side三个空间特征，同时通过对数变换修正消费类特征的长尾分布并提取PassengerId中的群组出行信息（GroupId/GroupSize/IsSolo）。算法层面依次实现了RandomForest基准测试、HistGradientBoosting流水线构建，最终采用LightGBM配合StratifiedKFold五折交叉验证与早停机制，通过软投票集成策略将验证集准确率提升至80.88%。技术栈使用Python、Pandas、Scikit-learn、LightGBM、Matplotlib。可承接机器学习建模、数据清洗与特征工程、分类预测系统开发、Kaggle类竞赛项目等需求。