INFS5705 第三节的每个决定，都要指回你自己的 EDA

这份 consultancy report 分值大的是第三节，rubric 把它拆成六栏，其中五栏的档位是按 justification 的强弱分开的。brief 又写明 arguments must be informed by your exploratory data analysis，所以 marker 读第三节，看的是你写下的每个决定能不能指回这份事故表里的某个字段、某张 SAS 截图。

输入按规划者那时拿不拿得到分三栏

key predictor variables 那段如果只是一串字段名，marker 看不出你是怎么筛的，而 Feature Selection 一栏每一档问的都是 the approach (method)。

我会放一张三栏小表，按 TfNSW 规划者做决定的那一刻来分：限速、路形这类道路属性那时拿得到，进首批候选；天气、自然光要设定了情景才有值，单列一栏；RUM、DCA 是碰撞后才记下的，死亡人数和细分严重程度直接透露是否致死，放进排除栏，各写一句理由。marker 先看到一条资格规则，再看到你在训练数据里用关联检验和删掉一组再比的办法筛候选组，方法就有了先后两层。

图：三栏表：那时拿得到的道路属性进首批候选，设定情景才有值的天气和光照单列，事故后才有或泄露结局的字段排除

结构示意 · 按规划者做决定的时点给候选字段分栏，字段名取自 brief 的变量表

Street lighting 的 Unknown 单独做交叉表

SAS 里 Street lighting 显示零空值，可它有一类 Unknown / not stated，占三成多的事故，而且这个比例跟着结局变：Fatal 里不到 1%，Non-casualty (towaway) 里超过六成。差别怎么来的，这份表证明不了，但模型能靠照明填没填去猜结局，学到的是记录过程。

我会把 Unknown 做成 0/1 指示，和 Degree of crash 交叉后截图，接着写决定：初始模型不放这个字段和指示，另做一版放进去的对照。Preparation of the Data 的 strong justification，落到纸面上就是这样一条从截图到处理的线。

模型比较写成同样复核量下谁多抓到 fatal

Fatal 只占 1.5% 左右，把所有事故都判成非致死，accuracy 也有九成八以上，却一起致死事故都没抓到。Model Testing 每一档都要 compare the predictive performance between models，拿 accuracy 比，几个模型差别很小，看不出谁多抓到了 fatal。

我会先写复核量怎么定：规划团队一轮能实地核查多少条提示，数字留给 TfNSW 确认，阈值按它来定。然后在同一个验证年、同样多的提示里，比逻辑回归和随机森林各抓到多少 fatal，recall 和 precision 一起报，再补一句「若随机森林在相同复核量下没有稳定多识别 fatal，保留逻辑回归」。marker 读到的就是一个能被证据推翻的选择。

按 Year of crash 切训练、验证和 2024

split 那段只写「70/30 随机划分」，等于只给了比例，Model Training 要的 strong justification for the split 没有着落。模型是拿过去的事故判断以后的道路，按发生年份切才对得上用途：2021–2022 训练，2023 验证和选阈值，2024 做时间外评价。

比如把那句改成「按 Year of crash 划分，用较早年份训练、较晚年份检验，模拟模型用于未来年份的情形」。Reporting year 和 Year of crash 有 214 条不一致，用后者；2024 年的结局你做 EDA 时已经看过，补一句正式使用前要拿新一年的数据再验。调参也只在训练期内部比，比如森林的叶节点调小能刻画更细的道路组合，也可能只记住那几百起 fatal。