第 21 章 · 亲手做出 R² = 1.000000
这一章要解决什么：亲手把一个模型做到 R² = 1.000000， 然后用系数反推出真相 —— 模型一个规律都没学到， 它只是把标签乘以 1 再加 0.8。
最容易踩的坑： ① 看到 1.000000 的第一反应是"我成功了"； ② 只盯着 R²，不看
coef_（那一列系数是 1，其余全是 0）； ③ 以为这是"极端个案" —— 其实只要特征里出现标签的仿射函数， 任何线性模型都会精确地给出 1.000000。
本章你需要完成的代码：demos/ch21-perfect-score.py
本章的口径：soh_features_v2.csv 全部 21,239 行、 GroupShuffleSplit(test_size=0.2, random_state=42) 按设备划分、 模型是不加缩放的 LinearRegression（不加缩放是为了让系数可以直接读）。
21.1 对照组：诚实的 0.94253
先把"诚实水平"钉死。同样按设备划分，只用 7 列基础特征，线性回归：
python
m7 = LinearRegression().fit(X.iloc[tr][BASE], y.iloc[tr])
print(m7.score(X.iloc[tr][BASE], y.iloc[tr])) # 训练
print(m7.score(X.iloc[te][BASE], y.iloc[te])) # 测试真实输出：
text
① 对照组：7 列基础特征 + 线性回归（按设备划分）
训练 R² = 0.94296 测试 R² = 0.94253 MAE = 0.010820
|系数| 最大 = 0.5556（对应 cap_fade_rate_ah_per_100） 截距 = 1.3436
这是这份数据在『只用横截面特征』时的真实水平：0.94 上下。★ 记住这三个数，它们是本章的"标尺"：
text
测试 R² = 0.94253 ← 诚实的水平
MAE = 0.010820 ← 诚实的误差量级（1e-2）
max|coef| = 0.5556 ← 诚实的系数量级（0.5 上下）21.2 只加一列：R² = 1.000000
现在只做一件事：把 soh_margin 加进特征。
python
X8 = df[BASE + ["soh_margin"]]
lin8 = LinearRegression().fit(X8.iloc[tr], y.iloc[tr])真实输出：
text
② 只加一列 soh_margin：训练 1.000000，测试 1.000000
训练 R² = 1.000000 测试 R² = 1.000000
测试 MAE = 2.100e-06（7 列时是 0.010820）
测试集上『预测值 − 实测值』的最大绝对值 = 9.05e-06★ 三个数字放在一起看：
text
R²：0.94253 → 1.000000 （涨了 0.05747）
MAE：0.010820 → 2.100e-06（小了 5,153 倍）
最大误差：9.05e-06
↓
在一次评估里，"误差小到 1e-6" 意味着什么？★ 先做一个量级判断，避免误读：
text
标签 soh 的取值范围：0.8032 ~ 1.0017（跨度约 0.2）
测试集的最大绝对误差：9.05e-06
↓
相对跨度：9.05e-06 / 0.2 ≈ 4.5e-05
↓
也就是说：模型"预测"的误差是标签尺度的十万分之四★ 而这里必须补一句精确的话（这一点和本书第 11 章的"tol 真因"是同一个机制）：
text
2.100e-06 还不是"零"，它是 LinearRegression 默认 tol=1e-6 的【截断残留】
↓
把 tol 设成 0（或者只用 soh_margin 一列），MAE 会掉到 1.2e-16
—— 那才是真正的浮点零
↓
本节先记住"1e-6 已经小得离谱"，21.3 节把 1e-16 算出来★ 一个不该被忽略的疑问：为什么"加一列"能让 R² 精确到 1.000000？
text
正常的特征工程：加一列 → 涨 0.005 ~ 0.04（第 20 章实测）
这里：加一列 → 从 0.94253 直接到 1.000000
↓
"恰好 1.000000" 这个形状本身就是一个信号：
真实现象不会恰好落在边界上
（就像"命中率恰好 100%、误差恰好 0"一样）21.3 用系数反推真相
这是本章的核心动作：把 coef_ 打印出来。
真实输出：
text
③ 用 coef_ 与 intercept_ 反推真相同：模型学到的是 soh = soh_margin + 0.80
8 列线性回归学到的系数：
cycle +0.00000001
mean_charge_voltage_v -0.00000093
mean_temp_rise_c -0.00000006
resistance_mohm +0.00000015
coulombic_eff +0.01087291
cap_fade_rate_ah_per_100 +0.00005252
temp_std_c +0.00000267
soh_margin +0.99988176 ← 只有它是非零
截距 +0.78917045★ 读这张表只要三步：
第一步：谁是主角？
text
soh_margin 的系数 = 0.99988176 ≈ 1
其余 7 列的系数都是 0.0000xxxx 量级（最大 0.01087291）
↓
8 列特征里，模型只用了一列第二步：其余 7 列"退化"到什么程度？
text
刚才 7 列对照时：max|coef| = 0.5556（cap_fade_rate_ah_per_100）
现在 8 列时 ：同一列的系数 = 0.00005252
↓
从 0.5556 掉到 0.00005252，缩小了约 10,000 倍
↓
也就是说：模型把 7 列真实物理量【全部丢掉了】第三步：把系数代回去，看看它到底学到了什么。
text
模型学到的函数：
soh = 0.99988176 × soh_margin + 0.78917045
把 soh_margin = soh − 0.80 代进去：
soh = 0.99988176 × (soh − 0.80) + 0.78917045
= soh （恒等式）
↓
它没有学到温度、内阻、库仑效率与 SOH 的任何关系
它学到的是：把标签减掉 0.80，再加上 0.80★ 一句话：
模型一个规律都没学到。它只是把标签乘以 1 再加 0.8。
21.3.1 验证一：soh_margin 恒等于 soh − 0.80
真实输出：
text
③-1 验证一：soh_margin 是否恒等于 soh − 0.80
max |soh_margin − (soh − 0.80)| = 1.11e-16（机器精度）
→ 这一列不是『和标签很相关』，它就是标签的一个仿射变换。★ 这一步把"相关"和"等价"分开了：
text
|r| = 1.000000 → 两者有【完美的线性关系】（可能是 a·y + c，a ≠ 1）
max|差| = 1.1e-16 → 两者在浮点意义上是【同一个量的平移】（a = 1, c = −0.80）
↓
前者是警告，后者是判决：
a = 1 时，这一列是标签减常数；
a ≠ 1 时，这一列是标签乘系数再平移（同样是泄漏，只是系数不同）21.3.2 验证二：只用这一列，系数精确等于 1、截距精确等于 0.80
真实输出：
text
③-2 验证二：只用 soh_margin 一列，照样 1.000000
系数 = 1.0000000000 截距 = 0.8000000000 测试 R² = 1.0000000000
测试 MAE = 1.167e-16 最大绝对误差 = 3.331e-16
→ 8 列时系数是 0.99988176、截距是 0.78917045，
1 列时才是精确的 1 和 0.80。差在哪？差在 tol（下一段）。★ 1.167e-16 是什么概念？
text
IEEE 754 双精度浮点的机器精度 ε ≈ 2.22e-16
↓
MAE = 1.167e-16 ≈ ε/2，最大误差 3.331e-16 ≈ 1.5ε
↓
这不是"预测得很准"，这是【浮点意义上的零】★ "模型"和"恒等式"的区别，就在这个数量级上：
| 现象 | 典型 MAE | 说明 |
|---|---|---|
| 真实的物理规律 | 1e-3 ~ 1e-2 | 有噪声、有未观测因素 |
| 很强的轨迹特征（历史 SOH） | 1e-3 量级 | 依然是"预测" |
| 标签的仿射函数 | 1e-16 | 恒等式，没有预测的成分 |
21.3.3 验证三：tol 把那个"精确"挡在了 1e-6 之外
真实输出：
text
③-3 验证三：默认 tol=1e-6 把方向截断了（与第 11 章同一个真因）
tol=1e-06 coef(soh_margin) = 0.9998817630 截距 = 0.7891704538 rank_ = 7/8 MAE = 2.100e-06
tol=0 coef(soh_margin) = 1.0000000000 截距 = 0.8000000000 rank_ = 8/8 MAE = 2.228e-16
→ tol=0 时，模型给出的正是那个恒等式：系数 1、截距 0.80。
默认 tol 下它少用了一个方向（rank_ 7/8），
所以把 0.8 的截距『分摊』了一点到其他列上。★ 这里要非常小心地讲，因为它和第 11 章的"缩放真因"是同一件事：
text
LinearRegression 用 SVD 求解，默认 tol=1e-6 用来判断"哪些奇异值算 0"
↓
本数据 7 列基础特征的量纲差异极大：
cycle 的尺度 ~ 10²（几百圈）
coulombic_eff 的尺度 ~ 10⁰（0.99 左右）
↓
设计矩阵的条件数很大 → 最小奇异值被 tol 判为 0 → rank_ 从 8 变 7
↓
于是"精确的恒等式解"被牺牲掉一点点：
系数 0.99988176、截距 0.78917045、MAE 2.1e-06
↓
tol=0 时 rank_ = 8，解回到精确的 1 和 0.80，MAE = 2.2e-16★ 所以本章有两个"真因"要分清：
text
真因一（本章主线）：soh_margin 是标签的仿射函数 → R² 必然是 1，与模型无关
真因二（数值细节）：默认 tol 让系数从"精确的 1"变成"0.99988"
↓
真因一是【方法问题】，必须修（删列）；
真因二是【数值细节】，改 tol 或缩放就能对齐 ——
它只是解释了"为什么系数不是恰好 1"，不能用来替泄漏开脱★ 反过来，这个细节还提供了一个额外的证据：
text
如果 soh_margin 只是一个"和标签高相关的普通特征"，
那 tol=0 不会让它变成精确的恒等式
↓
tol=0 之后系数精确等于 1、截距精确等于 0.80、残差降到 1e-16
↓
这是"它本来就是恒等式"的强证据21.4 三组反证：它学到的是"这一列"，不是一个规律
前两节说的是"模型学到了恒等式"。本节要证明"它除了这一列，什么都没学到"。
21.4.1 把标签随机打乱
真实输出：
text
④ 三组反证：它学到的是『这一列』，不是一个规律
④-1 把标签随机打乱再拟合 → R² 崩塌
打乱后测试 R² = -0.00066 coef(soh_margin) = -0.04040
→ 恒等式一旦被破坏，模型立刻什么都不会了。★ 这个实验的设计逻辑：
text
如果模型学到的是"温度 + 内阻 + 库仑效率 → SOH"这个物理规律，
那把【标签】打乱，模型应该还能靠特征拟合出一部分结构（R² 不会变成负的那么彻底）
↓
但实测 R² = -0.00066，系数变成 −0.04040
↓
说明它依赖的不是"特征里的规律"，而是"标签与这一列的恒等关系"：
关系一断，模型立刻归零21.4.2 把这一列换成随机噪声
真实输出：
text
④-2 把 soh_margin 换成随机噪声 → 分数正好掉回对照组
测试 R² = 0.94253 （7 列对照组 = 0.94253）
→ 把钩子换掉，分数就回到 0.94253。这 1.000000 全部来自那一列。★ 这是最干净的一个反证：
text
换掉钩子前：0.94253（7 列）+ 钩子 → 1.000000
换掉钩子后：0.94253（7 列）+ 噪声 → 0.94253
↓
变化量精确地等于"那一列的价值"：
1.000000 − 0.94253 = 0.05747 全部来自 soh_margin
噪声版本与 7 列对照【完全一致】（0.94253 = 0.94253）
↓
也就是说：其余 7 列在这两种配置里贡献完全相同，
唯一的变量就是那一列21.4.3 把钩子乘 a（系数变成 1/a）
真实输出：
text
④-3 把钩子改成 2 倍 / 0.5 倍 → 系数变成倒数，R² 仍然 1
新列 系数 截距 测试 R²
soh_margin 1.000000 0.800000 1.000000
2 × soh_margin 0.500000 0.800000 1.000000
0.5 × soh_margin 2.000000 0.800000 1.000000
soh − 0.50（换常数） 1.000000 0.500000 1.000000
→ 新列 = a × soh_margin 时系数 = 1/a、截距 = 0.80；
新列 = soh − c 时系数 = 1、截距 = c。
模型学到的永远是『把这个新列还原成 soh』。★ 这组实验说明了一个一般规律（下一节会给出推导）：
text
只要特征 h 是标签的仿射函数 h = a·y + c，
线性回归就会学出 w = 1/a、b = −c/a，并且 R² 精确等于 1
↓
**这不是模型的成绩，这是代数结论**
↓
"模型很聪明地发现了规律"这个说法在这里完全失效 ——
它只是解了一个一元一次方程★ 而这一组实验还有一个实用价值：它解释了"为什么有些泄漏的系数看起来很怪"。
text
如果你在真实项目里看到某个"重要特征"的系数是 12.7，
不要先怀疑数据错误 —— 先怀疑它是不是【标签的缩放版本】
↓
一个系数明显偏离其他系数量级的特征，本身就是一条线索
（第 21.6 节的"体检一"）21.5 一般化的结论：标签的仿射函数必然给出 R² = 1
把上面的现象写成一条定理，它比"这个数据里有一个钩子"有用得多。
text
命题：
设标签为 y，特征 h = a·y + c（a ≠ 0）。
用 h 做一元线性回归（含截距），最小二乘解为：
w = 1/a, b = −c/a
并且在【任何】训练集上训练、在【任何】测试集上评估，
都有 R² = 1、MAE = 0（浮点意义）。
直观证明（两行）：
ŷ = w·h + b = (1/a)·(a·y + c) − c/a = y
↓
预测值恒等于真值 → 残差恒为 0 → R² = 1★ 这条命题的三个推论，每一条都有工程价值：
| 推论 | 说明 | 工程含义 |
|---|---|---|
| 与数据无关 | 不管训练集多大、划分怎么切、有多少噪声 | "换数据再验证一次"对它无效 |
| 与模型无关 | 线性回归、带正则的回归（在 alpha→0 时）、树模型都会拟合到饱和 | "换个模型试试"也无效 |
| 与 a、c 无关 | a = 1 时系数 1、a = 2 时系数 0.5 | 不能靠"系数是不是 1"来判定 |
★ 第三个推论尤其重要，因为它否掉了一个常见的检查方法：
text
"我看系数不是 1，所以应该不是恒等式" ❌ 错
↓
只要 a ≠ 1，系数就不是 1（而是 1/a），
但它仍然是标签的仿射函数，仍然是泄漏
↓
正确的检查不是"系数等不等于 1"，而是：
① 残差是不是浮点零（MAE ~ 1e-16）
② 这一列能不能【不依赖标签】算出来
③ max|coef| 是不是远大于其他列（单列独大）★ 与之对应的"漏报清单"：
text
下面这些列都是"标签的仿射函数"，但 R² 不一定是 1、系数不一定是 1：
· 标签减去退役线：soh − 0.80 → 系数 1，本数据实测
· 标签的百分比形式：soh / 1.0 × 100 → 系数 0.01
· 标签的对数形式：log(soh) → 线性模型 R² < 1（非线性变换）
· 标签的移动平均：rolling(y).mean() → R² 高但不为 1（因为混入了别的行）
· 标签的排名：rank(y) → 线性模型 R² < 1（单调但非线性）
↓
关键不是"它长什么样"，而是"它的计算里有没有用到 y"★ 这也是为什么第 20 章要给三种家族：soh_margin 只是家族①里最极端的一种形态。
21.6 把本章变成三条可自动化的体检
这三条体检都可以挂在训练脚本的末尾，每次训练自动打印。
体检一：系数体检（最便宜）
真实输出：
text
⑤ 工程动作：把这一章变成三条可自动化的体检
体检一（便宜、必做）：训练完把所有线性系数打印出来，看最大 |系数|。
对照组最大 |系数| = 0.5556（量级正常）
泄漏组最大 |系数| = 0.9999（并且它对应的是 soh_margin）
规则：某一列系数 ≈ 1 且其余列系数 ≈ 0 → 立刻停手，去看那一列是怎么算的。python
c = np.abs(model.coef_)
top1 = c.max() / c.sum() # 单列占全部 |系数| 的比例
print(f"max|coef| = {c.max():.4f} 单列占比 = {top1:.1%}")★ 本数据的两组取值：
| 配置 | max|coef| | 单列占比 |
|---|---|---|
| 干净 7 列 | 0.5556 | 79.9% |
| 带钩子 8 列 | 0.9999 | 98.9% |
text
单列占比 98.9% 意味着：模型把几乎所有决策权重都放在了一列上
↓
正常的多特征模型不会这样（除非那一列真的携带了绝大部分信息）
↓
这条检查不需要标签、不需要测试集，训练完立刻能算 —— 成本接近零体检二：MAE 量级体检（便宜）
真实输出：
text
体检二（便宜、必做）：看 MAE 的量级。
正常 MAE ≈ 1e-2（0.010820）
泄漏 MAE ≈ 1e-6（2.100e-06，tol=0 时 2.228e-16）
规则：MAE 比正常水平小三个数量级以上，先怀疑恒等式或重复行。★ 为什么用"相对量"而不是绝对值？
text
"MAE < 1e-6 就是泄漏" ❌ 不可移植：标签尺度不同，阈值就不同
"MAE 比历史最好水平小 1000 倍" ✅ 可移植：它衡量的是"误差消失"这个异常现象
↓
本数据：MAE 从 1.08e-2 掉到 2.1e-6，缩小 5,153 倍 —— 触发体检三：标签打乱体检（贵一点，但能抓未知的坑）
真实输出：
text
体检三（贵一点，但能抓住未知的坑）：把标签打乱再跑一次。
规则：如果打乱标签后分数不塌，说明评估管路里有一条『不依赖标签』的捷径；
如果打乱后分数照旧很高（比如还是 0.99），那更糟 —— 去看 y 有没有传错。python
y_shuf = y.sample(frac=1.0, random_state=0).reset_index(drop=True)
m_shuf = LinearRegression().fit(X_tr, y_shuf_tr)
print(f"打乱标签后 R² = {m_shuf.score(X_te, y_shuf_te):.5f}") # 本数据：-0.00066★ 这个实验能抓到三类问题：
| 打乱标签后的现象 | 说明 |
|---|---|
| 分数崩塌到 ~0 或负 | ✅ 正常：模型确实在学 y 与 X 的关系 |
| 分数仍然很高（如 0.99） | ❌ 泄漏：评估里有一条不依赖标签的捷径（比如索引对齐错误） |
| 分数完全不变（一模一样） | ❌ 严重 bug：y 根本没传对（模型在预测常数或另一个量） |
图的读法：
- 左图：横轴实测
soh、纵轴预测soh。蓝点是 7 列线性（散布在对角线两侧，R² = 0.94253）； 红点是 8 列（+soh_margin），全部精确落在对角线上（R² = 1.000000）。 虚线是 y = x 的理想线。 - 右图：8 列线性回归的系数条形图。
soh_margin的系数是 0.9999，其余 7 列全部贴着 0 —— 一眼就能看出"模型只用了一列"。
21.7 常见坑
text
① 看到 R² = 1.000000 先高兴 → 先怀疑，再查
② 只看 R²，不看 coef_ → 系数表一眼就能定案
③ 以为"系数不是 1 就不是恒等式" → h = 2y 时间样是恒等式，系数是 0.5
④ 用"换个模型/换个种子"验证 → 代数结论与模型、数据无关，验证无效
⑤ 把 2.1e-6 的 MAE 当成"精度极高" → 它是 tol 截断残留；tol=0 时是 1e-16
⑥ 只删掉这一列，不在账本里记录原因 → 下一个人会把它加回来（业务解释很动听）
⑦ 用"业务上说得通"替这一列背书 → soh_margin 的业务名字叫"距退役线余量"★ 第 ④ 条值得再强调一次，因为它是很多人"验证"泄漏的方式：
text
"我换了 random_state，R² 还是 1.000000，所以应该没问题" ❌
↓
恒等式与随机种子无关 —— 换 100 个种子都会是 1.000000
↓
要验证"它是不是恒等式"，正确的动作是看 coef_ / 看 MAE / 看那一列的定义★ 第 ⑦ 条是本章最需要被记住的：
text
soh_margin 的业务含义是"距退役线的余量（0.80）还有多少"
↓
这个解释听起来完全合理 —— 甚至像是"领域知识驱动的特征工程"
↓
但它要求你先知道 soh。而 soh 就是你要预测的东西。
↓
**所有"由标签推导出来的业务指标"，都长得非常合理。**
这就是为什么不能靠直觉筛查，要靠流程（第 22 章）。21.8 完整示例与输出
bash
cd tools/feature-engineering-pipeline/code
MPLCONFIGDIR=/tmp/fe-mpl /Users/jini/Projects/MyBooks/Basic-Tutorials/.pytmp/venv/bin/python \
demos/ch21-perfect-score.py真实输出（节选）：
text
① 对照组：7 列基础特征 + 线性回归（按设备划分）
训练 R² = 0.94296 测试 R² = 0.94253 MAE = 0.010820
|系数| 最大 = 0.5556（对应 cap_fade_rate_ah_per_100） 截距 = 1.3436
② 只加一列 soh_margin：训练 1.000000，测试 1.000000
测试 MAE = 2.100e-06
测试集上『预测值 − 实测值』的最大绝对值 = 9.05e-06
③ 用 coef_ 与 intercept_ 反推真相
soh_margin +0.99988176 ← 只有它是非零
截距 +0.78917045
→ soh = 1.0000 × soh_margin + 0.8000 = soh
③-1 max |soh_margin − (soh − 0.80)| = 1.11e-16
③-2 单列 soh_margin：系数 = 1.0000000000 截距 = 0.8000000000 测试 MAE = 1.167e-16
③-3 tol=1e-06 coef = 0.9998817630 截距 = 0.7891704538 rank_ = 7/8 MAE = 2.100e-06
tol=0 coef = 1.0000000000 截距 = 0.8000000000 rank_ = 8/8 MAE = 2.228e-16
④ 三组反证
④-1 打乱标签 测试 R² = -0.00066 coef = -0.04040
④-2 换成噪声 测试 R² = 0.94253（7 列对照 = 0.94253）
④-3 2 × 钩子 系数 = 0.500000 截距 = 0.800000 测试 R² = 1.000000本章练习
练习 1：复现 0.94253 → 1.000000，并打印 8 列系数
- 用 7 列基础特征 + 线性回归（按设备划分），打印训练 R²、测试 R²、
max|coef|； - 加上
soh_margin再跑一次，打印训练 R²、测试 R²、测试 MAE、max|coef|； - 打印 8 列的全部系数与截距；
- 用两句话说明：从这张系数表里，你怎么判断"模型只学了这一列"？
参考答案
python
import numpy as np, pandas as pd
from sklearn.linear_model import LinearRegression
from sklearn.metrics import mean_absolute_error, r2_score
from sklearn.model_selection import GroupShuffleSplit
BASE = ["cycle", "mean_charge_voltage_v", "mean_temp_rise_c", "resistance_mohm",
"coulombic_eff", "cap_fade_rate_ah_per_100", "temp_std_c"]
df = pd.read_csv("data/battery/soh_features_v2.csv")
y = df["soh"]
tr, te = next(GroupShuffleSplit(n_splits=1, test_size=0.2, random_state=42)
.split(df[BASE], y, df["cell_id"]))
m7 = LinearRegression().fit(df[BASE].iloc[tr], y.iloc[tr])
print(f"7 列 训练 R² = {m7.score(df[BASE].iloc[tr], y.iloc[tr]):.5f} "
f"测试 R² = {r2_score(y.iloc[te], m7.predict(df[BASE].iloc[te])):.5f} "
f"max|coef| = {np.abs(m7.coef_).max():.4f}")
feats8 = BASE + ["soh_margin"]
m8 = LinearRegression().fit(df[feats8].iloc[tr], y.iloc[tr])
pred = m8.predict(df[feats8].iloc[te])
print(f"8 列 训练 R² = {m8.score(df[feats8].iloc[tr], y.iloc[tr]):.6f} "
f"测试 R² = {r2_score(y.iloc[te], pred):.6f} "
f"测试 MAE = {mean_absolute_error(y.iloc[te], pred):.3e} "
f"max|coef| = {np.abs(m8.coef_).max():.4f}")
print()
for c, v in zip(feats8, m8.coef_):
print(f" {c:<28s}{v:+.8f}")
print(f" {'截距':<28s}{m8.intercept_:+.8f}")期望输出：
text
7 列 训练 R² = 0.94296 测试 R² = 0.94253 max|coef| = 0.5556
8 列 训练 R² = 1.000000 测试 R² = 1.000000 测试 MAE = 2.100e-06 max|coef| = 0.9999
cycle +0.00000001
mean_charge_voltage_v -0.00000093
mean_temp_rise_c -0.00000006
resistance_mohm +0.00000015
coulombic_eff +0.01087291
cap_fade_rate_ah_per_100 +0.00005252
temp_std_c +0.00000267
soh_margin +0.99988176
截距 +0.78917045★ 第 4 问的答案
text
① 横向比较：soh_margin 的系数是 0.99988176，其余 7 列全是 0.0000xxxx 量级 ——
只有一列不是零。
② 纵向比较：同一批 7 列在"7 列对照"里的 max|coef| 是 0.5556，
加进 soh_margin 之后，它们全部塌到 1e-4 以下 ——
模型主动放弃了它们。
↓
"一列独大 + 其余归零" 就是"模型只学了这一列"的直接证据。练习 2：拿到精确的"系数 1、截距 0.80"，并手工验算残差
- 只用一个
soh_margin做线性回归，打印系数、截距、测试 R²、测试 MAE、最大绝对误差； - 用 8 列做两次回归：
tol=1e-6（默认）与tol=0，打印各自的coef(soh_margin)、截距、rank_、测试 MAE； - 打印
max |soh_margin − (soh − 0.80)|； - 用两句话说明：
tol在这里改变了什么？它能不能替泄漏开脱？
参考答案
python
import numpy as np, pandas as pd
from sklearn.linear_model import LinearRegression
from sklearn.metrics import mean_absolute_error, r2_score
from sklearn.model_selection import GroupShuffleSplit
BASE = ["cycle", "mean_charge_voltage_v", "mean_temp_rise_c", "resistance_mohm",
"coulombic_eff", "cap_fade_rate_ah_per_100", "temp_std_c"]
df = pd.read_csv("data/battery/soh_features_v2.csv")
y = df["soh"]
tr, te = next(GroupShuffleSplit(n_splits=1, test_size=0.2, random_state=42)
.split(df[BASE + ["soh_margin"]], y, df["cell_id"]))
m1 = LinearRegression().fit(df[["soh_margin"]].iloc[tr], y.iloc[tr])
pred1 = m1.predict(df[["soh_margin"]].iloc[te])
print(f"单列：系数 = {m1.coef_[0]:.10f} 截距 = {m1.intercept_:.10f} "
f"测试 R² = {r2_score(y.iloc[te], pred1):.10f}")
print(f" 测试 MAE = {mean_absolute_error(y.iloc[te], pred1):.3e} "
f"最大绝对误差 = {np.abs(pred1 - y.iloc[te].to_numpy()).max():.3e}")
for tol in (1e-6, 0.0):
m = LinearRegression(tol=tol).fit(df[BASE + ["soh_margin"]].iloc[tr], y.iloc[tr])
pr = m.predict(df[BASE + ["soh_margin"]].iloc[te])
print(f"8 列 tol={tol:<7g}：coef = {m.coef_[-1]:.10f} 截距 = {m.intercept_:.10f} "
f"rank_ = {m.rank_}/8 MAE = {mean_absolute_error(y.iloc[te], pr):.3e}")
print(f"\nmax |soh_margin − (soh − 0.80)| = "
f"{(df['soh_margin'] - (df['soh'] - 0.80)).abs().max():.2e}")期望输出：
text
单列：系数 = 1.0000000000 截距 = 0.8000000000 测试 R² = 1.0000000000
测试 MAE = 1.167e-16 最大绝对误差 = 3.331e-16
8 列 tol=1e-06 ：coef = 0.9998817630 截距 = 0.7891704538 rank_ = 7/8 MAE = 2.100e-06
8 列 tol=0 ：coef = 1.0000000000 截距 = 0.8000000000 rank_ = 8/8 MAE = 2.228e-16
max |soh_margin − (soh − 0.80)| = 1.11e-16★ 第 4 问的答案
text
tol 改变的是【数值求解的截断】：
7 列基础特征量纲差异大（cycle ~ 10²、coulombic_eff ~ 10⁰），
设计矩阵条件数大，默认 tol=1e-6 把最小奇异值判为 0 → rank_ 从 8 掉到 7，
于是精确解（1, 0.80）被牺牲成（0.99988, 0.78917），MAE 从 1e-16 抬到 2e-6。
↓
但它不能替泄漏开脱：
· 泄漏的判定依据是"这一列用到了标签"，与 tol 无关
· 反过来，tol=0 之后残差降到 1e-16，恰好【加强】了"这是恒等式"的结论
↓
一个方便的记忆：tol 只影响"我们把这个恒等式解得有多精确"，
不影响"它是不是恒等式"练习 3：三组反证
- 把标签随机打乱后拟合 8 列，打印测试 R² 与
coef(soh_margin)； - 把
soh_margin换成随机噪声，打印测试 R²，并与 7 列对照比较； - 对
1.0 × / 2.0 × / 0.5 × soh_margin三个版本（tol=0）打印系数、截距、测试 R²； - 用一句话说明第 3 步的规律。
参考答案
python
import numpy as np, pandas as pd
from sklearn.linear_model import LinearRegression
from sklearn.metrics import r2_score
from sklearn.model_selection import GroupShuffleSplit
BASE = ["cycle", "mean_charge_voltage_v", "mean_temp_rise_c", "resistance_mohm",
"coulombic_eff", "cap_fade_rate_ah_per_100", "temp_std_c"]
df = pd.read_csv("data/battery/soh_features_v2.csv")
y = df["soh"]
tr, te = next(GroupShuffleSplit(n_splits=1, test_size=0.2, random_state=42)
.split(df[BASE + ["soh_margin"]], y, df["cell_id"]))
feats8 = BASE + ["soh_margin"]
y_shuf = y.sample(frac=1.0, random_state=0).reset_index(drop=True)
m_shuf = LinearRegression().fit(df[feats8].iloc[tr], y_shuf.iloc[tr])
print(f"① 打乱标签 测试 R² = "
f"{r2_score(y_shuf.iloc[te], m_shuf.predict(df[feats8].iloc[te])):.5f} "
f"coef = {m_shuf.coef_[-1]:+.5f}")
rng = np.random.RandomState(0)
Xn = df[BASE].copy()
Xn["h"] = rng.normal(size=len(df))
m_n = LinearRegression().fit(Xn.iloc[tr], y.iloc[tr])
print(f"② 换成噪声 测试 R² = {r2_score(y.iloc[te], m_n.predict(Xn.iloc[te])):.5f}")
m7 = LinearRegression().fit(df[BASE].iloc[tr], y.iloc[tr])
print(f" （7 列对照 = {r2_score(y.iloc[te], m7.predict(df[BASE].iloc[te])):.5f}）")
print("③ 钩子乘 a：")
for name, col in [("1.0 × soh_margin", df["soh_margin"]),
("2.0 × soh_margin", 2 * df["soh_margin"]),
("0.5 × soh_margin", 0.5 * df["soh_margin"])]:
Xh = df[BASE].copy()
Xh["h"] = col
mh = LinearRegression(tol=0).fit(Xh.iloc[tr], y.iloc[tr])
print(f" {name:<20}系数 = {mh.coef_[-1]:.6f} 截距 = {mh.intercept_:.6f} "
f"测试 R² = {r2_score(y.iloc[te], mh.predict(Xh.iloc[te])):.6f}")期望输出：
text
① 打乱标签 测试 R² = -0.00066 coef = -0.04040
② 换成噪声 测试 R² = 0.94253
（7 列对照 = 0.94253）
③ 钩子乘 a：
1.0 × soh_margin 系数 = 1.000000 截距 = 0.800000 测试 R² = 1.000000
2.0 × soh_margin 系数 = 0.500000 截距 = 0.800000 测试 R² = 1.000000
0.5 × soh_margin 系数 = 2.000000 截距 = 0.800000 测试 R² = 1.000000★ 第 4 问的答案
text
新列 = a × soh_margin 时，学到的系数 = 1/a（截距仍是 0.80），R² 恒为 1。
↓
模型做的事永远是"把这个新列线性还原成 soh"：
ŷ = (1/a)·(a·soh_margin) + 0.80 = soh_margin + 0.80 = soh
↓
所以"系数是不是 1"不能当判据 —— 判据是"这一列的计算里有没有用到标签"。面向工程实践
| 场景 | 怎么用 |
|---|---|
| 训练脚本 | 结尾固定打印 max|coef|、单列占比、MAE、以及 |r| > 0.999 的列 |
| 模型评审 | 要求提供系数表；出现"一列独大 + 其余归零"必须有解释 |
| 异常排查 | R² ≥ 0.9995 或 MAE 比历史小 1000 倍 → 按本章三条体检逐个跑 |
| 特征准入 | 任何"由标签派生的业务指标"（余量、达标率、健康分）一律不许入模 |
| 教学/复盘 | 本章是团队内最好的一次"反面示范"：亲手做出 1.000000 再拆掉它 |
| 写文档 | 把本章的恒等式结论写进规范："特征不得是标签的仿射函数或其函数" |
★ 一句话总结本章：
R² = 1.000000 不是成果，是事故。 它衡量的不是模型有多强，而是我们有多不小心 —— 一个恒等式被喂进模型，模型就只能把它原样还给你。
下一章：第 22 章 · 防泄漏检查清单