model-selection

name	model-selection
description	智能模型选择决策树引擎。不是查表，而是通过是/否问题逐步推理出最优模型。覆盖预测、分类、优化、评价、动态系统、网络六大类，含数据量判断、特征判断、假设检验、替代方案推荐。在2analysis-modeling阶段使用。

模型选择决策树

不是查表，而是通过一系列是/否问题，逐步推理出最优模型。

使用时机

在 2analysis-modeling 阶段，确定了子问题后，对每个子问题运行本 skill。

决策树

分支1：预测类

• 数据量<30 → 灰色预测 GM(1,1)
• 有时序+季节性 → SARIMA / Prophet
• 多特征 → XGBoost / LightGBM
• 非线性小样本 → SVM
• 多模型融合 → Stacking

分支2：分类类

• 类别平衡 → Logistic/SVM/RF
• 类别不平衡 → class_weight/SMOTE
• 特征>50 → XGBoost/LightGBM

分支3：优化类

• 线性 → 线性规划 PuLP
• 非线性 → scipy.optimize
• 离散/整数 → 整数规划
• NP-hard → GA/SA/PSO
• 多目标 → NSGA-II/VIKOR

分支4：评价类

• 有专家 → AHP
• 纯数据 → 熵权法+TOPSIS
• 模糊定性 → 模糊综合评价

分支5：动态系统类

• ODE / PDE / 差分方程 / 系统动力学 / 元胞自动机 / Agent-Based

分支6：网络类

• 最短路/最大流/中心性/社区检测/TSP

输出格式

每个子问题输出首选+备选+Baseline三个推荐方案（含理由）。