feat(#80): [Ti-2] 跨工序寻优模型训练（岭回归关联建模+R²评估+可解释） #119

2026-08-04T20:03:44Z

bot_dev1 commented

2026-08-04 20:03:44 +00:00

背景

closes #80「[Ti-2] 跨工序寻优模型训练（数据就绪后）」。

PRD §5.3 ④：跨工序关联寻优 | 关联建模 | 入：上游(TiCl₄)指标；出：下游(海绵钛)寻优建议 | 高，二期交付。
承接 #78/#79（PR #117/#118）：在配方优化建模与求解器之上，把「上游工序指标 → 下游工序质量」的跨工序关联建成可训练/评估/序列化的轻量模型。

本分支基于 feature/issue-79（链式）。#117/#118 合入后本 PR 仅增量 cross_process。

实现（`templates/ti-cl4/recipe-optim/cross_process.py`）

CrossProcessSample：上游特征 + 下游目标 + 批次/时间（可溯源）。
RidgeRegression：纯标准库岭回归（截距 + L2 正则 + 闭式解，高斯消元解正规方程，零第三方依赖）；alpha=0 即最小二乘。
CrossProcessModel：多目标关联建模——每下游目标一个岭回归；fit / predict / evaluate（每目标 R² + 总体 MSE）/ feature_weights（可解释：上游对下游的影响权重，供 #81 引用）/ save/load（零依赖 JSON）。
CrossProcessModelConfig：upstream_features / downstream_targets / alpha / min_samples（对齐 PRD「超参包驱动」）。
数据门槛前置校验：min_samples 不足拒绝训练（对齐 PRD「监督模型需 ≥ 6 个月标注」），缺失值自动过滤。
模型框架模板化：主干为线性/岭回归，强非线性关联（LSTM/GNN）走 recipe 插件，不在内核（PRD「新增结构走插件注册而非改内核」）。

验证

python -m unittest discover -s tests → 65 用例全通过 ✅（含 #80 新增 19 用例：线性求解器/岭回归拟合预测/多变量/正则压缩/列不匹配/序列化/数据门槛/缺失过滤/可解释权重/save-load 往返）。
python _sanity_check.py → 7 能力点全通过 ✅（含跨工序模型 R²>0.99 端到端）。
python -m py_compile 全模块通过；纯标准库零运行时依赖。

下游

#81 可解释建议：读 feature_weights（上游→下游影响）+ #79 求解结果 + #78 变量 meaning/约束 reason，产出可溯源优化建议。

## 背景 closes #80「[Ti-2] 跨工序寻优模型训练（数据就绪后）」。 PRD §5.3 ④：`跨工序关联寻优 | 关联建模 | 入：上游(TiCl₄)指标；出：下游(海绵钛)寻优建议 | 高`，二期交付。承接 #78/#79（PR #117/#118）：在配方优化建模与求解器之上，把「上游工序指标 → 下游工序质量」的跨工序关联建成可训练/评估/序列化的轻量模型。 > 本分支基于 feature/issue-79（链式）。#117/#118 合入后本 PR 仅增量 cross_process。 ## 实现（`templates/ti-cl4/recipe-optim/cross_process.py`） - `CrossProcessSample`：上游特征 + 下游目标 + 批次/时间（可溯源）。 - `RidgeRegression`：纯标准库岭回归（截距 + L2 正则 + 闭式解，高斯消元解正规方程，零第三方依赖）；`alpha=0` 即最小二乘。 - `CrossProcessModel`：多目标关联建模——每下游目标一个岭回归；`fit` / `predict` / `evaluate`（每目标 R² + 总体 MSE）/ `feature_weights`（可解释：上游对下游的影响权重，供 #81 引用）/ `save`/`load`（零依赖 JSON）。 - `CrossProcessModelConfig`：upstream_features / downstream_targets / alpha / min_samples（对齐 PRD「超参包驱动」）。 - **数据门槛前置校验**：`min_samples` 不足拒绝训练（对齐 PRD「监督模型需 ≥ 6 个月标注」），缺失值自动过滤。 - **模型框架模板化**：主干为线性/岭回归，强非线性关联（LSTM/GNN）走 recipe 插件，不在内核（PRD「新增结构走插件注册而非改内核」）。 ## 验证 - `python -m unittest discover -s tests` → **65 用例全通过 ✅**（含 #80 新增 19 用例：线性求解器/岭回归拟合预测/多变量/正则压缩/列不匹配/序列化/数据门槛/缺失过滤/可解释权重/save-load 往返）。 - `python _sanity_check.py` → **7 能力点全通过 ✅**（含跨工序模型 R²>0.99 端到端）。 - `python -m py_compile` 全模块通过；纯标准库零运行时依赖。 ## 下游 - #81 可解释建议：读 `feature_weights`（上游→下游影响）+ #79 求解结果 + #78 变量 meaning/约束 reason，产出可溯源优化建议。

bot_dev1 added 3 commits 2026-08-04 20:03:44 +00:00

feat: 完成 issue #78 [Ti-2] 配方优化问题建模（决策变量/目标/约束声明式规格+求解器无关+零依赖YAML加载） 2aa70d078b

feat: 完成 issue #79 [Ti-2] 配方优化求解器集成（网格枚举+坐标下降轻量求解器+solve统一入口，求解器无关契约） c42846e18a

feat: 完成 issue #80 [Ti-2] 跨工序寻优模型训练（纯标准库岭回归+多目标关联建模+R2评估+可解释权重+JSON序列化） dcbd196fe9

bot_qa referenced this pull request

2026-08-04 20:53:00 +00:00

[Ti-2] 跨工序寻优模型训练（数据就绪后） · 0.5d #80

bot_dev1 commented

2026-08-17 06:29:02 +00:00