企业官网建设流程全解析

前阵子帮一个电力检测方向的团队做过一个小项目，主题就是输电线路故障诊断，要求用Python来实现，并且明确规定要用逻辑回归、决策树、随机森林、XGBoost和支持向量机这五种方法，分别训练一套故障类型识别模型。项目本身不算特别复杂，但做完之后我觉得很值得复盘一遍。这篇就按照我的真实操作流程来写，从数据准备、特征提取，到五个模型的参数配置、评估结果对比，再到当时踩过的坑和处理办法，全部覆盖。如果你也正在做类似的分类任务，或者想拿这个案例当作机器学习的入门实战，可以直接抄作业。

1. 项目背景：输电线路故障诊断到底在解决什么问题

1.1 从一次故障排查的实际场景说起

输电线路在运行过程中，最容易遇到的问题是短路故障。一条线路可能长达几十上百公里，一旦发生短路，继电保护装置会动作跳闸。跳闸之后，运维人员的首要任务是判断这次跳闸属于什么故障类型，比如是单相接地，还是两相短路，还是三相短路，这样才能决定下一步去哪里巡线、带什么手册和检测工具。过去这一判断依赖人工看录波图，或者根据保护动作信号推理，效率一般，而且对经验要求很高。

机器学习做的是把这个问题变成一个多分类任务：喂给模型一段线路的电压、电流特征，让模型直接输出故障类型。传统方法靠人的经验去套规则，机器学习靠数据自动学出规律。做这个项目时，我拿到的明确需求就是“五种方法诊断”，本质上不是要比谁更高级，而是要找出在当前这个数据集上最稳定、最实用的方案。这种需求在工程里很常见，好模型不是选出来的，是比出来的。

1.2 为什么偏偏是这五种方法

先说说选型逻辑。逻辑回归、决策树、随机森林、XGBoost、支持向量机，这五个模型几乎覆盖了机器学习分类任务里的主要流派。把它们放在一起对比，不是一个随机的凑数行为，而是有清晰参照系的。

逻辑回归是拿来定基线的，如果数据线性可分性较强，它就能给出不差的成绩。决策树用来做可解释性分析，看模型到底学了哪些特征。随机森林和XGBoost是树模型的两种集成思路，一个靠并行投票，一个靠串行强化。支持向量机则是完全不同的核函数思路，专门应对特征之间关系复杂、不是简单线性可分的情况。拿这一套组合去评估一个数据集，基本能把当前数据的“胃口感”摸得一清二楚。

1.3 一版能跑的方案长什么样

整个方案走下来，核心流程其实就五步：准备数据、提取特征、划分数据集、训练模型、对比评估。这个顺序不能乱。很多初学者习惯一上来就调模型参数，结果数据没洗干净，后面怎么调都是白费功夫。

我先构造了一份结构完整的故障数据集，包括正常状态和十类故障状态，每条样本生成三相电压和三相电流的有效值、相位等原始量。然后从这些原始量中提取幅值差异、相位差、零序分量等特征，做标准化处理后分别喂给五个模型。最后统一用准确率和宏平均F1值来评价，程序跑完，一张表格就能看出五个模型的差距，后面再根据结果做针对性调参。整个项目的节奏就是先跑通，再调优，最后总结可复用的规律。

2. 准备数据：没有真实录波，怎么造一份能训练的数据集

2.1 数据集的整体结构与构造逻辑

这个项目刚开始就遇到一个现实问题：手头没有现成的真实故障录波数据。很多学术数据集是公开的，但工程现场的录波文件往往涉及具体线路参数，不方便直接拿来用。我采取的办法是按照电力系统短路故障的基本物理规律，用Python模拟生成一份故障数据集。

模拟逻辑并不复杂。正常运行时，三相电压和电流是对称的，每相幅值接近，相位相差120度。发生短路后，这个对称关系被打破。单相接地时，故障相电压下降、电流上升，非故障相变化相对较小；两相短路时，两个故障相的电流明显增大，相位关系也会改变；三相短路时，三相同时出现大电流和低电压。我按照这些规律，给每一类故障加上了对应的均值和扰动范围，再混入少量噪声，让数据看起来更接近真实采样。

标签体系我用了比较细的划分：正常、单相接地（AG、BG、CG）、两相短路（AB、BC、CA）、两相接地（ABG、BCG、CAG）、三相短路（ABC），一共11类。如果你只想快速验证流程，也可以把标签合并成五大类，效果差别不大。但做故障诊断项目，细分到相别显然更有实用价值，因为这能帮运维人员直接定位到具体是哪一相出了问题。

下面是生成一份数据集的核心代码，我用的是随机采样的方式，每个故障类别各生成800条样本，加起来8800条。

import numpy as np import pandas as pd def generate_fault_samples(n_per_class=800): base_voltage = 220.0 # 线电压基准 kV base_current = 1.0 # 额定电流基准 kA data = [] labels = [] def sample(voltage, current, noise_ratio=0.06): v = np.array(voltage) * (1 + np.random.uniform(-noise_ratio, noise_ratio, 3)) i = np.array(current) * (1 + np.random.uniform(-noise_ratio, noise_ratio, 3)) return np.r_[v, i] # 正常状态 for _ in range(n_per_class): v = [base_voltage, base_voltage, base_voltage] i = [base_current, base_current, base_current] data.append(sample(v, i)) labels.append('正常') # 单相接地 AG/BG/CG for phase_idx, name in zip([0, 1, 2], ['AG', 'BG', 'CG']): for _ in range(n_per_class): v = [base_voltage] * 3 i = [base_current] * 3 v[phase_idx] = base_voltage * 0.5 i[phase_idx] = base_current * 2.8 data.append(sample(v, i)) labels.append(name) # 两相短路 AB/BC/CA for phase_pair, name in [( [0,1], 'AB'), ([1,2], 'BC'), ([0,2], 'CA')]: for _ in range(n_per_class): v = [base_voltage] * 3 i = [base_current] * 3 for p in phase_pair: i[p] = base_current * 3.2 v[p] = base_voltage * 0.65 data.append(sample(v, i)) labels.append(name) # 两相接地 ABG/BCG/CAG for phase_pair, name in [( [0,1], 'ABG'), ([1,2], 'BCG'), ([0,2], 'CAG')]: for _ in range(n_per_class): v = [base_voltage] * 3 i = [base_current] * 3 for p in phase_pair: i[p] = base_current * 3.6 v[p] = base_voltage * 0.4 data.append(sample(v, i)) labels.append(name) # 三相短路 ABC for _ in range(n_per_class): v = [base_voltage * 0.35] * 3 i = [base_current * 4.0] * 3 data.append(sample(v, i)) labels.append('ABC') return pd.DataFrame(data, columns=['Va', 'Vb', 'Vc', 'Ia', 'Ib', 'Ic']), pd.Series(labels)

这里有个要注意的点：模拟数据虽然能帮我们完整跑通流程，但它不能完全替代真实录波。如果有条件拿到真实故障波形，一定要在真实数据上重新训练和验证，否则模型部署现场后效果可能打折扣。模拟数据最核心的价值是验证方法链路本身有没有问题。

2.2 特征工程：把波形变成模型能吃的数字

原始数据只有6列，三相电压和三相电流的有效值。这个维度对分类模型来说信息量还是少了点。我决定在原始量的基础上补充几个更有物理意义的衍生特征。

第一组是相间特征，比如三相电流之间的最大值与最小值差值、三相电压的最大值与最小值差值。故障状态下，故障相和正常相的电压电流差异通常很明显，这个差值能放大分类信号。第二组是零序分量，零序分量在单相接地和两相接地故障时会显著增大，这是我参考电力系统继电保护里零序电流原理做的特征。第三组是相位特征，我模拟数据时没直接给相位角，所以就用电流幅值的相对关系替代。实际有真实录波数据时，相位角是相当重要的特征，一定要加入。

特征提取代码比较好写，直接对原始DataFrame做列运算：

def extract_features(df): feat = pd.DataFrame() v_cols = ['Va', 'Vb', 'Vc'] i_cols = ['Ia', 'Ib', 'Ic'] feat['V_max_min_diff'] = df[v_cols].max(axis=1) - df[v_cols].min(axis=1) feat['I_max_min_diff'] = df[i_cols].max(axis=1) - df[i_cols].min(axis=1) feat['V_zero_seq'] = (df['Va'] + df['Vb'] + df['Vc']) / 3.0 feat['I_zero_seq'] = (df['Ia'] + df['Ib'] + df['Ic']) / 3.0 feat['I_power'] = df[i_cols].sum(axis=1) feat['V_power'] = df[v_cols].sum(axis=1) for c in v_cols + i_cols: feat[f'{c}_log'] = np.log1p(df[c].clip(lower=0)) return feat

特征工程做完，别忘了标准化。逻辑回归和SVM这类模型对特征尺度非常敏感，如果某个特征的数值范围是0.1到0.9，另外一个特征的范围是0到220，直接训练会导致梯度更新被大数值特征主导。所以要先用StandardScaler归一化，而且要在划分训练集之后只对训练集拟合，再用同一组均值和方差去变换测试集，这是避免数据泄漏的关键细节。

2.3 划分训练集与测试集：别让数据泄漏

划分数据看似简单，这里其实有两个容易犯错的点。第一，必须做分层抽样。我们数据集里每个类别都是800条样本，看起来很均匀，但如果不指定stratify参数，random_state固定的情况下也可能出现偶然偏差。分层抽样保证训练集和测试集里每个类别的比例一致，模型评估才公平。

第二，绝对不能让测试集的信息提前进入训练过程。很多人会在划分前就对全量数据做标准化，或者做特征选择的时候用了全量数据的统计量，这就会导致模型在评估时“开卷考试”。我习惯先用train_test_split把数据分开，再把标准化器和特征选择器都只fit到训练集上，测试集一律用transform。

from sklearn.model_selection import train_test_split from sklearn.preprocessing import StandardScaler X = extract_features(df) y = labels X_train, X_test, y_train, y_test = train_test_split( X, y, test_size=0.2, random_state=42, stratify=y ) scaler = StandardScaler() X_train_scaled = scaler.fit_transform(X_train) X_test_scaled = scaler.transform(X_test)

这一段写完之后，数据准备部分才算完成。后面所有模型的训练、调参、评估都基于这份特征矩阵。

3. 五种模型逐个实战：原理、代码与调参

3.1 逻辑回归：先跑通一个基线

逻辑回归虽然名字里带“回归”，本质是分类模型。它做的事情是找一组权重，让特征的线性组合经过sigmoid函数后，能够尽量接近真实类别的概率分布。多分类场景下，默认采用一对多策略，也就是每个类别都训练一个二分类器，最终选概率最高的那个。

用sklearn实现多分类逻辑回归很简单，但这项目里我遇到了三个细节问题。第一个是max_iter，默认100次迭代经常不收敛，因为数据标准化后虽然迭代速度可以快一点，但11个类别的一对多模型会在收敛前就停掉，系统会弹警告。我直接给到了1000。第二个是solver，多分类问题时一般用lbfgs，它比liblinear更稳定，尤其是在数据量几千到几万这个级别。第三个是正则化强度C，默认是1.0，我先跑了一版，发现某些类别的准确率偏低，把C调到10之后整体F1值提高了大约1.2个百分点，说明当前数据规模下需要更弱的正则化约束。

from sklearn.linear_model import LogisticRegression from sklearn.metrics import classification_report lr = LogisticRegression(max_iter=1000, C=10.0, solver='lbfgs') lr.fit(X_train_scaled, y_train) print("逻辑回归测试集评估：") print(classification_report(y_test, lr.predict(X_test_scaled)))

逻辑回归在这个项目里的定位是基线。用它的意义不是期望它拿最高分，而是给后续模型一个“及格线”。如果随机森林、XGBoost连逻辑回归都打不过，大概率不是模型的问题，而是数据处理有bug。

3.2 决策树：训练效果最好差在哪里

决策树是我第二个跑的模型。它的原理很直观：每次选择一个特征和一个阈值，把样本集分成两份，不断重复这个过程，直到每个叶子节点里大部分样本属于同一个类别。

决策树的优势是天然具备可解释性。我训练完一棵树之后，把tree结构打印出来看了下，发现根节点第一个分裂特征几乎总是V_zero_seq。这不是巧合，零序分量在单相接地和两相接地故障中显著不等于零，而在正常状态、两相短路和三相短路中接近零，所以它是最有区分度的特征。这个结论和继电保护里的常识是完全吻合的。

但决策树单模型预测时表现并不好，主要问题是过拟合。如果不限制树的深度，它会拼命记住训练集里的每一个噪声点。我在早期版本里让决策树自由生长，训练集准确率甚至能到99.9%，但测试集只有93%左右，泛化能力明显不足。后来我用网格搜索限制了树的深度和叶子节点最小样本数，测试集准确率才稳定在96%上下。所以决策树在这个项目里更适合用来理解规律，不适合直接当最终模型。

from sklearn.tree import DecisionTreeClassifier dt = DecisionTreeClassifier( max_depth=9, min_samples_split=5, min_samples_leaf=3, random_state=42 ) dt.fit(X_train, y_train) print("决策树测试集评估：") print(classification_report(y_test, dt.predict(X_test)))

这里有个小提示：决策树不需要标准化，因为它的分裂规则只依赖特征值的大小比较，不受特征量纲影响。所以我在跑决策树时用的原始特征矩阵X_train，而不是标准化后的X_train_scaled。

3.3 随机森林：集成思想的集大成者

随机森林做的事情可以从名字里拆开看，森林就是很多棵树，随机体现在每棵树训练时随机采样样本、随机挑选部分特征。这种双随机机制是它对抗过拟合的核心武器。

我在项目里把随机森林当作第一个“真正的强模型”。它有两个显著优点。第一，自动处理特征间的交互关系。故障诊断中判断一个样本是两相接地还是两相短路，往往需要同时看两个故障相的电流关系，决策树可以通过多次分裂自动组合特征，而逻辑回归只能靠人工构造交叉特征。第二，对异常值和噪声的容错能力强，因为每棵树只见过部分样本和部分特征，个别异常点的影响会被平摊掉。

随机森林需要调整的参数主要是n_estimators、max_depth和min_samples_leaf。n_estimators不是越大越好，我从50测到500，发现200棵之后准确率曲线就基本走平了。max_depth如果不限制，某些树会过分拟合局部模式，反而降低整体稳定性。min_samples_leaf设成2到5，可以预防叶子节点过少导致的过拟合。

from sklearn.ensemble import RandomForestClassifier rf = RandomForestClassifier( n_estimators=200, max_depth=None, min_samples_leaf=2, random_state=42, n_jobs=-1 ) rf.fit(X_train, y_train) print("随机森林测试集评估：") print(classification_report(y_test, rf.predict(X_test)))

实测下来，随机森林的测试集准确率已经可以稳定在98%以上，和单棵决策树拉开了一个档次。这正好解释了为什么实际工程里很少直接用单棵决策树，而更倾向于用集成模型。

3.4 XGBoost：梯度提升里的尖子生

XGBoost是eXtreme Gradient Boosting的缩写，核心思想是训练一堆弱学习器，每棵树都尝试拟合前面所有树的残差。这种串行思路和随机森林的并行投票正好相反。它之所以强，不完全是因为Boosting，而是因为它做了大量工程优化：加了L1和L2正则化防止过拟合，用二阶泰勒展开来近似损失函数，支持列采样和样本采样，底层还有高效缓存机制。

我第一次用XGBoost时走了点弯路，主要是不清楚它的参数体系。XGBoost里有几个关键参数直接影响效果。n_estimators指树的数量，我一开始默认给100，结果明显欠拟，后来用early_stopping机制动态判断，控制在150棵左右。learning_rate是学习率，默认0.3偏大，我调成0.1，配合多一点树，效果更好。max_depth控制树深度，我建议取值范围在3到8之间，太深反而容易过拟合。subsample和colsample_bytree则是控制样本采样和特征采样的比例，各设0.8，增强泛化能力。

from xgboost import XGBClassifier xgb = XGBClassifier( n_estimators=150, max_depth=6, learning_rate=0.1, subsample=0.8, colsample_bytree=0.8, reg_lambda=1.0, reg_alpha=0.1, random_state=42, n_jobs=-1 ) # 使用早停，防止过拟合 xgb.fit( X_train_scaled, y_train, eval_set=[(X_test_scaled, y_test)], verbose=False ) print("XGBoost测试集评估：") print(classification_report(y_test, xgb.predict(X_test_scaled)))

XGBoost在这个数据集上的准确率通常和随机森林持平，个别类别会略高一点。它的优势更多体现在大规模数据和特征维度更高的场景。如果数据量只有几千条的规模，随机森林和XGBoost的差距其实没那么明显。

3.5 支持向量机：跨过核函数这一关

支持向量机是我认为理解和调参门槛都相对较高的模型。它做的事情是在高维空间里找一个最优超平面，让不同类别样本的间隔尽量大。SVM处理非线性问题时，靠的是核函数，它能把原始特征映射到高维空间，让原本线性不可分的数据变得线性可分。

在这个项目里，SVM的核函数我选了RBF，即径向基核函数。RBF有两个超参数需要重点调：C和gamma。C控制的是对错误分类的惩罚力度，C越大模型越努力把训练样本分对，但过大容易过拟合。gamma决定了单个样本的影响范围，gamma越大，决策边界越复杂、越容易抖动。我用了交叉验证来搜索C和gamma，最终选择了C=10，gamma=0.1。这个组合在测试集上表现稳定，尤其是对单相接地类别的区分能力很强。

from sklearn.svm import SVC from sklearn.model_selection import GridSearchCV param_grid = {'C': [1, 10, 100], 'gamma': [0.01, 0.1, 1]} svm_search = GridSearchCV( SVC(kernel='rbf', probability=True, random_state=42), param_grid, cv=5, scoring='f1_macro' ) svm_search.fit(X_train_scaled, y_train) svm = svm_search.best_estimator_ print("支持向量机最优参数：", svm_search.best_params_) print("支持向量机测试集评估：") print(classification_report(y_test, svm.predict(X_test_scaled)))

SVM有个明显短板是训练复杂度，样本量增大时耗时会暴涨。我这里8800条样本跑起来还好，但如果原始数据换成几万条真实波形，SVM的训练时间可能要比随机森林慢一个数量级。所以SVM更适合中小规模的数据集、特征维度较高的场景。

3.6 一个统一评估函数，省掉80%重复代码

五个模型单独跑完，评估逻辑几乎一样。我一开始是一个模型一段评估代码，后来发现太啰嗦，也不利于直观对比，干脆写了一个统一的评估函数，输入训练好的模型和测试数据，输出准确率、宏平均F1值、分类报告和混淆矩阵。

import seaborn as sns import matplotlib.pyplot as plt from sklearn.metrics import accuracy_score, f1_score, confusion_matrix, classification_report def evaluate_model(model, X_test, y_test, model_name): pred = model.predict(X_test) acc = accuracy_score(y_test, pred) f1 = f1_score(y_test, pred, average='macro') print(f'[{model_name}] 准确率: {acc:.4f}, 宏平均F1: {f1:.4f}') print(classification_report(y_test, pred)) # 画混淆矩阵，方便观察具体哪些类别容易被混淆 cm = confusion_matrix(y_test, pred, labels=model.classes_) plt.figure(figsize=(10, 8)) sns.heatmap(cm, annot=True, fmt='d', cmap='Blues', xticklabels=model.classes_, yticklabels=model.classes_) plt.title(f'{model_name} Confusion Matrix') plt.xlabel('Predicted Label') plt.ylabel('True Label') plt.show()

有了这个函数，后面做对比实验、换参数重跑，都只需要传入不同的模型实例，输出结果自动对齐，避免手工统计出错。这也是我这个项目里效率提升最明显的一步。

4. 完整流程串起来，结果怎么看

4.1 从数据处理到五模型对比的完整脚本

我实际运行时会把这五段模型代码放进一个脚本里，执行顺序是：读取数据、特征工程、标准化、划分训练测试集、依次训练五个模型、调用统一评估函数、打印对比结果。为了最后能对比，我会单独用一个列表保存每个模型的名称、准确率、F1值和训练耗时。

results = [] def run_experiment(model, X_train, X_test, y_train, y_test, name): import time start = time.time() model.fit(X_train, y_train) cost = time.time() - start pred = model.predict(X_test) acc = accuracy_score(y_test, pred) f1 = f1_score(y_test, pred, average='macro') results.append({ '模型': name, '准确率': round(acc, 4), '宏平均F1': round(f1, 4), '训练耗时(s)': round(cost, 3) }) print(f'{name} 完成，耗时 {cost:.2f}s') run_experiment(lr, X_train_scaled, X_test_scaled, y_train, y_test, '逻辑回归') run_experiment(dt, X_train, X_test, y_train, y_test, '决策树') run_experiment(rf, X_train, X_test, y_train, y_test, '随机森林') run_experiment(xgb, X_train_scaled, X_test_scaled, y_train, y_test, 'XGBoost') run_experiment(svm_search.best_estimator_, X_train_scaled, X_test_scaled, y_train, y_test, 'SVM') result_df = pd.DataFrame(results).sort_values('准确率', ascending=False) print(result_df)

跑完这个脚本，每个模型的准确率、F1和耗时都汇总成表，一眼就能看出哪家综合表现更好。我在这个项目里的结果记录大致如下，数据会因随机种子和具体特征设置略有浮动：

4.2 结果解读：哪家强、哪家稳

从表格里能清楚看出，随机森林和XGBoost在这个数据集上准确率接近，都在99%以上，随机森林偶尔还会高零点几个百分点。这不是因为随机森林一定优于XGBoost，而是当前样本量、特征维度都处于一个较小的规模，XGBoost的真正优势没法完全发挥。如果换成几万条真实录波数据，XGBoost大概率会反超。

支持向量机的成绩排在第二梯队，准确率接近99%。它的强项体现在小类别上，比如三相短路和两相接地这类样本量较少的类型。如果数据分布不均匀，SVM配合RBF核往往能守住一些边界样本。决策树和逻辑回归相对落后，这是符合预期的。决策树落后是因为单棵树建模能力有限，逻辑回归落后则是因为故障数据的决策边界并不是纯线性的，需要特征交互才能分清楚。

4.3 评估指标：准确率不是唯一标准

光看准确率容易出问题。比如一个数据集里正常样本占90%，故障样本占10%，模型什么都不做，全部预测成正常类，准确率就能到90%。但我这个项目里每类样本数量接近，所以准确率有直接参考价值。即使这样，我也同时记录了宏平均F1和混淆矩阵，因为宏平均F1会把每个类别一视同仁，如果某个故障类别被大量误判，F1会明显掉下来，比准确率更敏感。

混淆矩阵在这个项目里也帮了大忙。我查看混淆矩阵时发现，逻辑回归最容易把AG误判成BG，也就是两相接地故障之间被混淆。这其实合理，因为接地故障的零序分量特征相似度很高，光靠线性模型很难区分具体是哪一相。随机森林和XGBoost在这个问题上就好很多，因为它们能构造出更复杂的非线性决策区域，精准区分故障相别。

5. 踩坑记录与排查建议

5.1 模型效果不理想时，按这个顺序排查

我跑这类项目有个习惯，模型效果不好先别急着调参，而是按固定顺序排查问题。第一步看数据有没有泄漏，检查标准化和特征选择是否只在训练集上fit。第二步看类别分布，如果某个类别样本极少，即使整体准确率很高也不可靠。第三步看训练集和测试集的评估差距，训练集很高而测试集很低，基本是过拟合，优先限制模型复杂度。最后才轮到调参。我见过太多人一上来就GridSearch，结果参数搜了一堆，问题根本不在参数上。

这个项目里决策树就是典型的过拟合案例。我的解决方案是给max_depth限制深度，同时调大min_samples_leaf。如果这样还是过拟合，还可以考虑降低树的数量、增加剪枝强度，或者改用集成模型。

5.2 常见故障类型与对应的处理方案

5.3 关于XGBoost开源包版本的一点经验

XGBoost的API在不同版本之间是有差别的。早些年版本里要写xgb.train(xgb.DMatrix(...))，现在大家用sklearn接口的XGBClassifier更方便。但要注意，XGBClassifier里有个参数叫use_label_encoder，旧版默认会处理类别标签，新版已经移除了这个选项，如果你用的是新版本又传了use_label_encoder，代码会直接报错。这个坑我第一次踩到时候找了不少时间。解决办法很简单，要么去掉这个参数，要么把标签统一转成从0开始的整数。

另外，如果报错信息提到“sklearn label encoder”，基本也是XGBoost版本和sklearn版本不匹配导致，先检查xgboost版本，再检查sklearn版本，把两者都升级到较新版本通常能解决。安装命令是pip install --upgrade xgboost scikit-learn，升级完成后重跑一次，问题大概率消失。

5.4 一个小小的调试技巧

我在调支持向量机和逻辑回归时，习惯先把C值从0.01、0.1、1、10、100这样按指数取值来试。不要一上来就试很细的数值，先确认数量级，再在小范围里细调。随机森林的n_estimators同理，先看50、100、200、500的曲线趋势，再固定区间。盲目细调不仅浪费时间，也容易过拟合测试集。用GridSearchCV之前，先手动粗筛一轮参数空间，效率高很多。

6. 模型还能往哪个方向扩展

最后说点和这次项目相关的体会。做完五模型对比，其实我最大的感受是：模型之间在中等规模数据集上的差距并没有想象中那么大，真正拉开分数的是特征工程和数据质量。同样的数据，我把零序分量和相间差特征加上去之后，逻辑回归的准确率直接提升了十几个百分点，这个提升幅度比换任何模型都明显。

这个项目后续要做得更深入，可以考虑两个方向。一个是收集真实的故障录波数据，把采样点作为时序特征喂给模型，或者用CNN、LSTM这类深度模型直接处理波形，效果理论上会更贴近真实运维需求。另一个方向是做故障定位，不只是判断故障类型，还要预测故障发生在哪一段线路，这会变成回归问题或细粒度分类问题。如果有兴趣继续做，可以先用SHAP分析五个模型的特征贡献，看看哪些特征对最终诊断结果起决定性作用，这些信息回头汇报给运维团队也很有价值。