分类模型（逻辑回归 / 随机森林）

所有指标都来自 k 折交叉验证：每个样本由没见过它的模型预测，因此比在训练数据上算的准确率更接近新样本上的表现。默认分层划分，各折类别比例与整体一致。

ROC 曲线用交叉验证得到的预测概率绘制，AUC 越接近 1 区分能力越强，0.5 相当于随机猜测；多于两类时每类画一条「对其余」曲线。混淆矩阵的对角线是预测正确的样本数。

逻辑回归的系数在特征标准化后可直接比较大小：正值表示该特征越大越倾向于第二类（按类别名排序）。随机森林给出平均 Gini 下降（不纯度重要性），它偏向取值多的特征，宜与置换重要性对照。

置换重要性在每折的测试部分计算：把某个特征随机打乱后准确率下降越多，模型越依赖它；相关的特征会互相「分担」重要性。

样本少、特征多时结果波动大，建议换几个随机种子或折数看是否稳定；模型评估不等于因果结论。

方法说明

逻辑回归目标函数与 scikit-learn LogisticRegression（L2、截距不惩罚、多类为 multinomial）一致，牛顿法求解；随机森林按 Breiman (2001) Machine Learning 45:5–32（CART、bootstrap、每次分裂随机抽特征）；分层 k 折划分与 scikit-learn StratifiedKFold 一致；AUC 置信区间为 DeLong 法（DeLong et al. 1988）；置换重要性见 Breiman (2001)。

数据量

在浏览器中计算：建议样本 ≤ 5,000、特征 ≤ 200；随机森林较慢，可减少树的数量。