🧠
OJ 数据分析与推荐
A. 数据层（训练前）
先证明数据与口径合理：分布符合常识、特征与 AC 率有可解释关联。
count: 9
尝试次数 vs AC 率（学习/难度效应）
解释 attempt_no 与成功率关系：可能存在“越试越会”，也可能是“难题才会多次尝试”。
难度 vs AC 率（合理性校验）
检验难度标注是否可信：通常难度越高，AC 率应整体下降。
不同语言的平均 AC 率（相关性，不是因果）
检查语言与通过率是否有关联（更多反映用户群体/题目选择偏差，不建议因果解读）。
语言分布（按提交次数）
检查语言总体占比是否符合常识，也用于说明语言特征有“可学习”的差异。
level 分布（能力画像是否有区分度）
用来检验能力画像 level 是否能把用户区分开（而不是全部挤在 0 或 1）。
perseverance 分布（坚持/重试画像）
用来观察用户坚持度（重试倾向）的差异，避免全部接近 0 或 1。
不同标签的平均 AC 率（题型差异）
展示不同题型的平均通过率差异，用于说明标签特征有信息量。
标签分布（题型占比）
检查题库题型是否极端失衡；过度失衡会让模型/推荐更同质化。
用户活跃度分布（提交次数长尾）
展示典型长尾：少数高活跃用户贡献大量提交，大量用户只有少量记录。
B. 训练层（训练后）
再展示模型效果与错误类型：F1 对比 + 混淆矩阵解释 precision/recall。
count: 5
混淆矩阵：逻辑回归
把 AC 当作正类，拆解 TP/FP/FN/TN，解释 Precision/Recall 的来源。
混淆矩阵：线性 SVM
把 AC 当作正类，拆解 TP/FP/FN/TN，解释 Precision/Recall 的来源。
混淆矩阵：SVM/KNN（对比）
把 AC 当作正类，拆解 TP/FP/FN/TN，解释 Precision/Recall 的来源。
混淆矩阵：决策树
把 AC 当作正类，拆解 TP/FP/FN/TN，解释 Precision/Recall 的来源。
模型 F1 对比（时间切分）
比较多个模型的整体分类效果（F1 兼顾 precision 与 recall）。
C. 推荐评估（Top‑K）
最后展示推荐效果：多策略对比（model / popular / random），并用案例与覆盖率解释推荐形态。
count: 3
Hit@K 对比曲线（多策略）
对比不同推荐策略的命中率：看 model 是否明显高于 random，以及与 popular_train 的差距。
推荐集中度与覆盖率（Top20 题被推荐次数）
检查是否总推荐少数热门题（同质化）；标题中 coverage 越高说明覆盖越广。
推荐题难度分布（单用户案例）
检查推荐列表的难度结构是否“不过易也不过难”。
D. 严格无泄漏对比（strict vs leaky）
用于证明评估不失真：leaky 看未来会抬高指标，strict 更接近真实可部署效果。
count: 5
校准曲线对比（strict vs leaky）
对比 strict（可部署口径）与 leaky（看未来口径）；若 leaky 明显更高则过去评估失真。
Hit@K 对比（strict vs leaky）
对比 strict（可部署口径）与 leaky（看未来口径）；若 leaky 明显更高则过去评估失真。
PR 曲线对比（strict vs leaky）
对比 strict（可部署口径）与 leaky（看未来口径）；若 leaky 明显更高则过去评估失真。
Precision@K 对比（strict vs leaky）
对比 strict（可部署口径）与 leaky（看未来口径）；若 leaky 明显更高则过去评估失真。
ROC 曲线对比（strict vs leaky）
对比 strict（可部署口径）与 leaky（看未来口径）；若 leaky 明显更高则过去评估失真。
其他图表
未归类图表。
count: 2
fig_diag_user_104_candidate_p_by_diff.png
图表：用于展示训练数据、模型评估或推荐效果。
fig_diag_user_104_reco_diff_hist.png
图表：用于展示训练数据、模型评估或推荐效果。