北京后端兼职程序员外包

需求描述

本科论文建模 - Stacking 集成学习电诈预警模型 Python 实现（纯复现，无自研）
任务类型
Python 机器学习 / 论文实验复现 / 分类模型开发
交付时间
3 天内完成（越快越好，预留 1 天调试时间）
需求背景
本科毕业论文《基于集成学习与多源数据融合的电诈预警模型研究与系统实现》建模环节，严格按论文既定逻辑、参数复现实验，无需自研算法，数据已预处理完成，建模结果直接用于论文实验章节，要求代码可一键运行、结果贴合论文结论。
核心建模要求（无自主发挥空间，严格按此执行）
一、数据处理
我提供 CSV 格式数据（17 个核心融合特征 + 1 个 label 标签列，0 = 正常样本、1 = 涉诈样本，非平衡分布，已完成缺失值 / 异常值处理、编码 / 标准化）；
按 7:3 划分训练集 / 测试集，必须用stratify=y保证样本比例一致，直接读取数据建模，无需额外预处理。
二、模型实现（参数固定，不得修改）
基础模型：实现随机森林、XGBoost、LightGBM，参数严格按论文最优值：
随机森林：n_estimators=150，max_depth=7，min_samples_split=2，random_state=42；
XGBoost：learning_rate=0.1，n_estimators=100，max_depth=5，reg_lambda=0.5，objective="binary:logistic"，random_state=42；
LightGBM：learning_rate=0.1，n_estimators=100，max_depth=5，reg_lambda=0.5，objective="binary"，random_state=42。
集成策略：Stacking 两层集成，元模型为逻辑回归（C=1.0，solver="liblinear"，random_state=42）；
核心步骤：基础模型输出测试集涉诈概率（predict_proba [:,1]），拼接为元模型输入特征，训练后输出最终预测标签。

三、结果输出
计算 4 个模型（RF/XGBoost/LightGBM/Stacking）的准确率、召回率、精确率、F1 分数，结果保留 2 位小数，转百分比形式；
按以下格式输出指标对比表（文本版，可直接复制到论文）：
| 模型 | 准确率 | 召回率 | 精确率 | F1 分数 |
|-------------|---------|---------|---------|---------|
| 随机森林 | XX.XX% | XX.XX% | XX.XX% | XX.XX% |
| XGBoost | XX.XX% | XX.XX% | XX.XX% | XX.XX% |
| LightGBM | XX.XX% | XX.XX% | XX.XX% | XX.XX% |
| Stacking | XX.XX% | XX.XX% | XX.XX% | XX.XX% |
要求Stacking 模型各项指标均优于单一基础模型，贴合论文集成模型性能更优的结论。
交付物要求（缺一不可，验收核心依据）
可运行 Python 源码：注释清晰（标注数据划分、模型定义、Stacking 融合、指标计算等关键步骤），仅需修改 CSV 路径即可运行，无报错、无冗余代码，适配 Anaconda3；
结果文件：指标对比表（TXT/MD 格式）、代码运行全程截图（证明可正常运行）；
可视化图：2 张基础图（特征重要性柱状图、4 模型指标对比柱状图），图片清晰，可直接插入论文；
简易运行说明：图文版（1-2 页），标注运行环境（Anaconda3/Python3.8+）、所需库、仅需修改的参数、一键运行步骤（适配 Python 零基础）；
1 次免费调试：解决运行中简单问题（如路径报错、库版本适配等）。
运行环境要求
适配 Anaconda3（Python3.8 及以上），仅使用常规库：pandas、numpy、scikit-learn、xgboost、lightgbm；
无需 GPU，普通 CPU（i5 及以上）、16G 内存即可，训练耗时控制在 30 分钟内。
验收标准
代码可按说明一键运行，无报错、无逻辑问题；
指标对比表结果符合要求，Stacking 模型指标最优；
可视化图清晰可用，运行说明易懂，零基础可操作；
交付物完整，按要求解决简单运行问题。