COMM5007 这份 assignment 的 R² 主要靠 G0 低端的断点涨上去

报告的分数很大一块落在新特征让模型涨了多少。Feature Engineering 这一栏的 DIST 档写 marked improvements in model fit，HD 档写 drastically elevate，两档都在看 R²。三餐的平方项和交互项在留出集上几乎不动，能把 R² 抬起来的列在 G0 的低端。这些做法我拿官方 CSV 跑过，数字留给你们的 Notebook。

按 G0 分组看 TIR，再加断点列

你的相关矩阵里 G0 和 TIR 是不小的正相关，读起来像基础血糖越高越好。跑一行 df.groupby('G0').TIR.mean() 能看到 G0 只有 12 个取值：70 那一档的平均 TIR 很低，往上很快爬升，到 100 附近开始缓慢下降。

图：横轴是 G0 从 70 到 125，纵轴是平均 TIR。均值曲线在 70 很低，快速上升，到 100 附近后缓慢下降；线性系数对应一条缓慢上升的虚线。

结构示意 · 曲线形状按官方 CSV 全量均值画，纵轴不标刻度，数值请自己跑。

我会在增强模型里加两列：G0 == 70 的 0/1 列和断点列 max(c − G0, 0)，c 只用训练集来定。留出集 R² 的涨幅比三餐的平方项和交互项全部加起来大几百倍。解释也现成：brief 把低血糖定在 70 以下，TIR 把这段时间算作出界，起点压在 70 上的记录很容易出界。这条机制在报告里写成假设，模拟数据证明不了它。

模型比较做成四行阶梯表

新特征一次全塞进增强模型，报告里只有 baseline 和 enhanced 两行，marker 看不出哪个特征出的力，brief 问的却是 which transformations yielded the greatest improvements。我会报四行：baseline、加 G0 断点、加餐次平方项、加交互项，列是调整后 R²、留出 R²、条件数和越出 0–1 的预测数。加断点那一行 R² 大涨，条件数只升一点，越界预测基本消失；加平方项那一行 R² 几乎不动，条件数跳上去。建模栏 DIST 档点名的 trade-offs 照这两行写就够。

把 nunique 乘起来再写样本量

brief 写的是 more than 16 million observations。把 8 个原始自变量的 nunique() 乘一下：12 × 19 × 7 × 7 × 5 × 10 × 10 × 3 = 16,758,000，正好等于总行数。这份数据是一张完整的模拟网格，每行是一个参数组合，没有一行对应真实病人。

写进 audit 以后，原始变量之间相关接近 0 就有了解释，共线只来自 TimeDiff_*、Total_Glucose_Grams 这些恒等式列和你自己造的特征，数据清洗栏 DIST 档的 justifies handling of collinear columns 就落在这里。这些行是模拟网格上的组合，Q&A 被问显著性时，讲系数大小和留出表现比报 p 值站得住。