wszzk 0.3.0

A comprehensive machine learning pipeline toolkit for feature engineering and model training

项目概述

任务类型

• 任务: 二分类预测
• 目标: 基于用户的基本信息和银行流水数据，预测用户的信用风险
• 评估指标: ROC-AUC

数据来源

• 主表数据: 用户基本信息（职业、贷款金额、利率、信用等级等）
• 银行流水: 用户的银行交易记录（收入、支出、时间等）

B榜结果复现步骤

1. 环境准备

Python 3.12.7 版本，pip 依赖见 doc/requirements.txt（最小可复现集）。如需完整环境快照，可使用 doc/requirements-full.txt。

# 安装依赖（根据项目需要）
pip install -r requirements.txt
# 或使用完整环境快照（可选）
# pip install -r equirements-full.txt

2. 提交要求运行train和test脚本

# 进入项目目录
cd code

# 按照提交要求运行train和test脚本
# train脚本
python3 train.py ../init_data/初赛A榜数据集/train ./model
# test脚本
python3 test.py ../init_data/初赛B榜数据集/testab ../result

为了保证按要求运行train和test的指令能够跑通，我们提前在temp_data目录下放入了生成好的最终特征文件。 如有需要可以执行其他步骤来从原始数据逐步生成特征。

3. 运行完整流程

# 进入项目目录
cd code

# 运行完整流程
bash run_all.sh

如果数据路径有任何变化，可以通过修改run_all.sh里的参数配置来更换。

run_all.sh 包含了由多批次特征生成脚本组成的特征生成环节、双模型训练融合环节和比赛测试数据预测环节。 如需单独复现特征生成、模型训练或者测试数据预测过程，可以注释掉其他部分之后再运行run_all.sh。

4. 单独执行特征工程

# 进入项目目录
cd code

# 运行特征生成流程
bash run_features.sh

run_features和run_all唯一的区别在于删除了train和test的代码

时间有限，代码没有特别优化，特征生成是按顺序一个个脚本跑批传递的，需要耗费点时间。 若需要每一步特征生成，可以把run_features.sh里的具体步骤单独运行,但建议按顺序逐一生成。

输出文件

特征文件

• temp_data/features全部流程特征的中间结果都在目录下对应文件夹内。 目前提交版本已附上一份已生成好的特征数据，以便于直接运行train test脚本来复现。 如有需要可以重新运行来复刻生成特征，执行脚本见run_features.sh。

模型文件

• code/model - LightGBM、XGBoost的模型参数、以及融合参数

方案思路与实现细节

赛题理解与解决思路

• 问题定义: 基于主表信息与银行流水行为数据的二分类违约预测，评价指标为 ROC-AUC，侧重排序能力。
• 总体策略: 构建分批次、模块化的特征工程体系，覆盖基础属性、时间行为、稳定性、分箱、交叉、比率、滞后与业务口径特征；在模型侧采用树模型（LightGBM/XGBoost）进行 5 折分层交叉验证训练，并以 OOF 排序融合得到稳健预测。

作品核心优势

• 系统化特征体系: 从通用统计到时间模式、从工程分箱到业务口径，形成极大量的多层次、可复现的特征流水线。
• 稳健的训练: 双模型、离散小网格搜索、5 折分层 OOF 与早停，保证单模型的稳定泛化能力。
• 强力融合（多折均值 + Rank 融合）: 先做“折内均值”提升单模型稳健性，再基于 OOF 的 rank 权重搜索做“双模型”融合，充分挖掘互补性，效果亮眼且可复现。

实现过程（步骤说明）

• 特征工程（day3～day11特征脚本）:
  • 按批次流水线自下而上构建：S1/ADD/MUL/TIME/REC/BINS/CROSS/RATIO/LAG/CLUSTER/POLY 与 Day11 业务口径；最终通过 day11_team_features_pipeline.py 汇总为 team_merged_{train,test}.csv。
• 模型构建（train.py）:
  • LightGBM：学习率 0.03，叶子数/叶最小样本/采样比例等多组网格组合；早停 300。
  • XGBoost：tree_method=hist，学习率 0.03，不同的深度/最小样本/采样/正则组合；早停 300。
• 模型训练（train.py）:
  • 5 折分层交叉验证，遍历预设网格；按 OOF AUC 选择每个模型的最优超参组合。
  • 训练完成后，保存每折模型与训练元信息（特征列顺序、参数、融合权重等）。
• 模型评估（train.py）:
  • 使用 OOF 计算单模型 AUC；对 LGB 与 XGB 的 OOF 进行 rank 归一化，网格化搜索融合权重 (w\in[0.50,0.80], step=0.05) 以最大化 OOF AUC。
• 模型预测（test.py）:
  • 加载保存的每折模型，对测试集分别推理并取折均值；按最优权重对两模型 rank 分数进行线性融合，输出结果文件。

特征工程架构

1. S1批次特征 (day3_features.py)

基础特征构建，包含：

主表特征

• 时间特征: issue_year/month, record_year/month
• 原始数值: raw_career, raw_interest_rate, raw_loan, raw_term 等
• 对数变换: log1p_loan, log1p_balance, log1p_balance_limit
• 比率特征: utilization, acct_used_ratio, avg_balance_per_acct
• 时间差: history_len_days, rec_minus_issue_days
• 有序编码: level_ord
• One-Hot编码: title_*, residence_*, term_*, syndicated_*, installment_*
• 频次特征: zip_freq

银行流水特征

• 基础统计: bank_income_sum/mean/std/p95, bank_expense_sum/mean/std/p95
• 净额特征: bank_net_sum/mean/std
• 交易统计: bank_txn_count_m, bank_months_active
• 结构指标: bank_income_share, bank_big_txn_share
• 趋势特征: bank_net_first, bank_net_last, bank_net_trend_simple
• 跨期特征: bank_avg_income_over_period, bank_avg_expense_over_period
• 风险指标: bank_expense_over_income, bank_neg_periods

交叉特征

• 月供计算: installment_amt
• 收入代理: monthly_income_proxy
• 债务指标: DTI, buffer_months, net_over_installment

2. ADD批次特征 (day4_add_pipeline.py)

加法特征增强，通过以下方式构建新特征：

• 基于原始数据的统计特征
• 银行流水的聚合特征
• 时间序列特征
• 交互特征

3. MUL批次特征 (day4_mul_pipeline.py)

乘法特征增强，通过特征间的乘法交互构建新特征。

4. TIME批次特征 (day7_time_pipeline.py)

时间序列特征 + 用户行为模式特征，专注于时间维度的深度挖掘：

银行流水时间特征

• 时间偏好: time_avg_hour, time_std_hour, time_weekend_ratio
• 交易频率: time_txn_per_day, time_active_days, time_density
• 时间间隔: time_avg_interval_hours, time_std_interval_hours
• 周期性: time_weekday_preference, time_hour_preference
• 时间波动性: time_hour_entropy, time_weekday_entropy

金额时间模式特征

• 工作日vs周末: time_weekday_avg_amount, time_weekend_avg_amount, time_weekend_weekday_ratio
• 时段模式: time_morning_avg_amount, time_afternoon_avg_amount, time_evening_avg_amount, time_night_avg_amount
• 时间相关性: time_amount_hour_corr, time_amount_weekday_corr

趋势和季节性特征

• 趋势特征: time_trend_amount_sum_slope, time_trend_txn_count_slope, time_trend_expense_ratio_slope
• 季节性: time_monthly_amount_cv, time_monthly_txn_cv
• 最近vs历史: time_recent_vs_hist_amount, time_recent_vs_hist_txn

风险时间模式特征

• 异常时间: time_late_night_ratio, time_early_morning_ratio
• 高频交易: time_peak_hour_ratio, time_hour_concentration
• 连续交易: time_consecutive_txn_ratio, time_rapid_txn_ratio

主表时间特征

• 时间差: time_issue_to_record_days, time_history_to_record_days
• 时间窗口: time_issue_hour, time_issue_is_weekend, time_record_hour, time_record_is_weekend

5. REC批次特征 (day7_rec_pipeline.py)

近因加权特征 + 稳健性特征，专注于时间衰减和模式稳定性：

近因加权特征

• 指数衰减加权: day7_ew_income, day7_ew_expense, day7_ew_net (基于0.8衰减因子)
• 时间权重: 越近的月份权重越大，捕捉用户最新行为模式

稳健性特征

• 零值占比: day7_zero_inc_share, day7_zero_exp_share (收入/支出为零的月份占比)
• 净值分布: day7_pos_net_share, day7_neg_net_share (正负净值的月份占比)
• 波动性指标: 基于月度数据的稳定性评估

时间模式特征

• 月度聚合: 按月份聚合收入、支出、净额、交易次数、最大金额
• 趋势稳定性: 捕捉用户财务行为的长期稳定性

6. BINS批次特征 (day7_bins_pipeline.py)

连续特征分箱特征，将连续变量转换为离散特征：

信用相关比例分箱

• 利用率分箱: utilization_bins (0-0.1, 0.1-0.3, 0.3-0.6, 0.6-0.9, 0.9+)
• 账户使用率分箱: acct_used_ratio_bins (0-0.25, 0.25-0.5, 0.5-0.75, 0.75+)
• 债务收入比分箱: cross_DTI_bins (0-0.2, 0.2-0.35, 0.35-0.5, 0.5-0.8, 0.8+)

金额特征分箱

• 贷款金额分箱: main_log1p_loan_bins (6等频分箱)
• 余额分箱: main_log1p_balance_bins, main_log1p_limit_bins (6等频分箱)
• 月供分箱: installment_amt_bins (6等频分箱)
• 净额月供比分箱: cross_net_over_installment_bins (6等频分箱)

时间特征分箱

• 历史长度分箱: main_history_len_days_bins (5等频分箱)
• 记录发行时间差分箱: main_rec_minus_issue_days_bins (5等频分箱)

银行流水分箱

• 收入统计分箱: bank_income_mean_bins, bank_income_std_bins (5等频分箱)
• 支出统计分箱: bank_expense_mean_bins, bank_expense_std_bins (5等频分箱)
• 净额统计分箱: bank_net_mean_bins, bank_net_std_bins (5等频分箱)
• 交易活跃度分箱: bank_txn_count_m_bins, bank_months_active_bins (4-5等频分箱)

分箱策略

• 语义优先: 信用相关比例使用经验阈值分箱
• 等频分箱: 金额和时间特征使用等频分箱
• 极端值处理: 支持截断处理，避免异常值影响分箱质量
• 输出格式: 支持顺序编码(ordinal)和独热编码(one-hot)两种输出

7.CROSS批次特征 (day8_cross_pipeline.py)

主表交叉特征: 职业×贷款、信用等级×财务、时间×金额等 银行流水交叉特征: 收入支出比率、交易效率、时间模式×金额等 跨表交叉特征: 主表×流水、信用×行为、债务×收入等

8.RATIO批次特征 (day8_ratio_pipeline.py)

财务比率特征: 债务覆盖率、流动性比率、效率比率等 时间比率特征: 活跃度比率、交易密度比率、趋势稳定性比率等 风险比率特征: 违约风险比率、信用风险比率、行为风险比率等

9.LAG批次特征 (day8_lag_pipeline.py)

滞后特征: 1-3期滞后、季节性滞后、年度滞后等 滑动窗口特征: 3期滑动平均、6期滑动统计、12期滑动趋势等 变化率特征: 环比变化、同比变化、累积变化等

10.CLUSTER批次特征 (day8_cluster_pipeline.py)

行为聚类特征: 交易模式聚类、时间偏好聚类、频率偏好聚类等 财务聚类特征: 收入支出聚类、现金流聚类、债务负担聚类等 组合聚类特征: 综合行为聚类、用户分段聚类、风险等级聚类等

11.POLY批次特征 (day8_poly_pipeline.py)

二次项特征: 金额二次项、比率二次项、时间二次项等 三次项特征: 关键特征三次项、交互三次项等 交互多项式特征: 二元交互、三元交互、条件多项式等

12～20中间批次特征最终未采纳

21.Day11-AFFORD 偿付能力与月供压力 (day11_afford_pipeline.py)

业务口径：月供覆盖、缓冲与最坏覆盖。

• 关键列：aff_cover_1m/3m/6m, aff_buffer_months_1m/3m/6m, aff_min_cover, aff_net_minus_install_*, aff_install_over_limit, aff_install_over_loan

22.Day11-INCOME_STAB 收入来源与稳定性 (day11_income_stab_pipeline.py)

业务口径：收入出现规律、密度与稳定性。

• 关键列：incstab_income_months_share, incstab_income_cv, incstab_income_per_active_month, incstab_net_trend_sign, incstab_weekend_income_bias

23.Day11-EXPENSE_STRUCTURE 支出结构 (day11_expense_structure_pipeline.py)

业务口径：刚性支出代理、可支配空间与支出波动。

• 关键列：expstr_rigid_expense_proxy, expstr_disposable_proxy, expstr_expense_per_active_month, expstr_weekend_bias, expstr_late_night_bias, expstr_expense_cv

24.Day11-CREDIT_BEHAVIOR 授信与使用行为 (day11_credit_behavior_pipeline.py)

业务口径：额度使用、账户使用与贷款-授信耦合、等级暴露。

• 关键列：credbeh_utilization, credbeh_acct_used_ratio, credbeh_avg_balance_per_acct, credbeh_util_over_acct_ratio, credbeh_loan_over_limit, credbeh_loan_over_balance, credbeh_level_term_exposure, credbeh_level_rate_exposure

25.Day11-LIQUIDITY_SHOCK 流动性与抗冲击能力 (day11_liquidity_shock_pipeline.py)

业务口径：收入下调/支出上调的压测最坏覆盖。

• 关键列：shock_s1_*, shock_s2_*, shock_worst_net_minus_install, shock_worst_cover_ratio, shock_time_efficiency, shock_neg_periods

26.Day11-BEHAVIOR_FLAGS 行为风险信号 (day11_behavior_flags_pipeline.py)

业务口径：末期突变、密度下降、不活跃、连续负月、临近大额支出风险。

• 关键列：bhvflag_recent_amount_drop, bhvflag_density_drop, bhvflag_low_activity, bhvflag_many_neg_periods, bhvflag_large_expense_risk

27.Day11-GEO_COHORT 地域对照 (day11_geo_cohort_pipeline.py)

业务口径：同 zip_h3 × career × level_m 群体的相对位置与偏离。

• 关键列：geo_*_gmean/gmedian/gz/rel/rank（针对 installment_amt, bank_income_mean, bank_expense_mean, bank_net_mean, utilization, DTI）

28.Day11-TEAM_FEATURES 团队特征工程 (day11_team_features_pipeline.py)

业务口径：整合团队的特征工程工作，包括主表通用特征和银行流水特征。

• 基础分解特征：team_basic_level_m, team_basic_zip_h3, team_basic_issue_year
• 月供计算特征：team_payment_monthly（基于贷款金额、期限、利率）
• 时间差异特征：team_time_issue_to_record, team_time_history_to_issue, team_time_record_to_max
• 信用额度比率：team_credit_balance_ratio, team_credit_utilization, team_credit_total_utilization
• 交互特征：team_interaction_loan_term, team_interaction_risk_score, team_interaction_rate_level
• 地理风险特征：team_geo_zip_level, team_geo_zip_career, team_geo_career_title
• 银行流水特征：team_transaction_income_months_6m, team_transaction_deficit_months_6m, team_transaction_risk_flag

模型训练方法

模型与超参

• LightGBM: objective=binary, learning_rate=0.03, max_depth=-1, n_estimators=5000, bagging_freq=1；小网格（离散组合）如下：
  • 组合A：num_leaves=48, min_data_in_leaf=60, feature_fraction=0.7, bagging_fraction=0.8, reg_alpha=0.5, reg_lambda=5.0
  • 组合B：num_leaves=64, min_data_in_leaf=80, feature_fraction=0.7, bagging_fraction=0.8, reg_alpha=0.5, reg_lambda=5.0
  • 组合C：num_leaves=96, min_data_in_leaf=120, feature_fraction=0.7, bagging_fraction=0.8, reg_alpha=0.5, reg_lambda=5.0
• XGBoost: objective=binary:logistic, eval_metric=auc, tree_method=hist, eta=0.03；小网格（离散组合）如下：
  • 组合A：max_depth=6, min_child_weight=20, subsample=0.8, colsample_bytree=0.7, reg_lambda=5.0, reg_alpha=0.5
  • 组合B：max_depth=5, min_child_weight=20, subsample=0.8, colsample_bytree=0.7, reg_lambda=5.0, reg_alpha=0.5
  • 组合C：max_depth=7, min_child_weight=30, subsample=0.7, colsample_bytree=0.6, reg_lambda=10.0, reg_alpha=1.0
• 特征处理: 丢弃 id/label；object 列转 category.codes；添加 is_bank_statement 特征（由是否在银行流水表出现决定）。

训练与 OOF

• 交叉验证: 5 折分层交叉验证，seed=42；每个模型对各自网格组合训练，按 OOF AUC 选择最佳组合。
• 早停: 两个模型均使用 300 轮早停，防过拟合。
• 模型持久化: 保存每折最优模型（LGB lgb_fold{i}.txt，XGB xgb_fold{i}.json）及 meta.json（特征列顺序、超参、融合权重等）。

双模型融合

• 折内平均（单模型）: 对于选中的最优组合，保存 5 折模型；推理时对每个模型分别预测并取折均值，得到该模型在测试集上的均值分数。
• 融合方式（双模型）: Rank 融合。将 LGB 与 XGB 的 OOF 分数各自做 rank-0-1 归一化；在 (w\in[0.50,0.80], step=0.05) 的权重网格上搜索、最大化 OOF AUC，得到最佳权重 best_lgb_weight=w。
• 测试集融合: 将“折均值后的 LGB 分数”和“折均值后的 XGB 分数”各自做 rank-0-1 归一化，再按 w 做线性加权，得到最终提交分数。

预测与提交

• 预测脚本会加载保存的折模型与融合权重，对齐特征列顺序后推理并融合，最终输出 result.csv。

完整运行流程

以下流程复现了原始的 run_all.sh 脚本功能：

#!/usr/bin/env bash set -euo pipefail

#!/usr/bin/env bash features_out_dir="../temp_data/features" result_out_dir="../result" train_dir="../init_data/初赛A榜数据集/train" test_dir="../init_data/初赛B榜数据集/testab"

train_main=$train_dir"/train.csv" train_bank=$train_dir"/train_bank_statement.csv" test_main=$test_dir"/testab.csv" test_bank=$test_dir"/testab_bank_statement.csv"

echo "开始构建S1特征..." echo "==================================================" python3 day3_features.py
--train_main $train_main
--train_bank $train_bank
--test_main $test_main
--test_bank $test_bank
--out_train $features_out_dir/s1batch/train_features_S1.csv
--out_test $features_out_dir/s1batch/test_features_S1.csv

echo "开始构建ADD特征..." echo "==================================================" python3 day4_add_pipeline.py
--base_train $features_out_dir/s1batch/train_features_S1.csv
--base_test $features_out_dir/s1batch/test_features_S1.csv
--train_main $train_main
--train_bank $train_bank
--test_main $test_main
--test_bank $test_bank
--out_root $features_out_dir/add_out
--seed 42

echo "开始构建MUL特征..." echo "==================================================" python3 day4_mul_pipeline.py
--base_train $features_out_dir/add_out/merged/add_merged_train.csv
--base_test $features_out_dir/add_out/merged/add_merged_test.csv
--train_main $train_main
--test_main $test_main
--out_root $features_out_dir/mul_out
--seed 42

echo "开始构建TIME特征..." echo "==================================================" python3 day7_time_pipeline.py
--base_train $features_out_dir/mul_out/merged/mul_merged_train.csv
--base_test $features_out_dir/mul_out/merged/mul_merged_test.csv
--train_main $train_main
--train_bank $train_bank
--test_main $test_main
--test_bank $test_bank
--out_root $features_out_dir/time_out
--seed 42

echo "开始构建REC特征..." echo "==================================================" python3 day7_rec_pipeline.py
--base_train $features_out_dir/time_out/merged/time_merged_train.csv
--base_test $features_out_dir/time_out/merged/time_merged_test.csv
--train_main $train_main
--test_main $test_main
--train_bank $train_bank
--test_bank $test_bank
--out_dir $features_out_dir/rec_out
--seed 42

echo "开始构建BINS特征..." echo "==================================================" python3 day7_bins_pipeline.py
--base_train $features_out_dir/rec_out/merged/rec_merged_train.csv
--base_test $features_out_dir/rec_out/merged/rec_merged_test.csv
--train_main $train_main
--test_main $test_main
--out_dir $features_out_dir/bins_out
--seed 42

echo "开始构建CROSS特征..." echo "==================================================" python3 day8_cross_pipeline.py
--base_train $features_out_dir/bins_out/merged/bins_merged_train.csv
--base_test $features_out_dir/bins_out/merged/bins_merged_test.csv
--train_main $train_main
--test_main $test_main
--train_bank $train_bank
--test_bank $test_bank
--out_dir $features_out_dir/cross_out
--seed 42

echo "开始构建RATIO特征..." echo "==================================================" python3 day8_ratio_pipeline.py
--base_train $features_out_dir/cross_out/merge/cross_merged_train.csv
--base_test $features_out_dir/cross_out/merge/cross_merged_test.csv
--train_main $train_main
--test_main $test_main
--train_bank $train_bank
--test_bank $test_bank
--out_dir $features_out_dir/ratio_out
--seed 42

echo "开始构建LAG特征..." echo "==================================================" python3 day8_lag_pipeline.py
--base_train $features_out_dir/ratio_out/merge/ratio_merged_train.csv
--base_test $features_out_dir/ratio_out/merge/ratio_merged_test.csv
--train_main $train_main
--test_main $test_main
--train_bank $train_bank
--test_bank $test_bank
--out_dir $features_out_dir/lag_out
--seed 42

echo "开始构建CLUSTER特征..." echo "==================================================" python3 day8_cluster_pipeline.py
--base_train $features_out_dir/lag_out/merge/lag_merged_train.csv
--base_test $features_out_dir/lag_out/merge/lag_merged_test.csv
--train_main $train_main
--test_main $test_main
--train_bank $train_bank
--test_bank $test_bank
--out_dir $features_out_dir/cluster_out
--seed 42

echo "开始构建POLY特征..." echo "==================================================" python3 day8_poly_pipeline.py
--base_train $features_out_dir/cluster_out/merge/cluster_merged_train.csv
--base_test $features_out_dir/cluster_out/merge/cluster_merged_test.csv
--train_main $train_main
--test_main $test_main
--train_bank $train_bank
--test_bank $test_bank
--out_dir $features_out_dir/poly_out
--seed 42

Day11 业务批次（按需启用）

echo "开始构建AFFORD特征..." echo "=================================================="
python3 day11_afford_pipeline.py
--base_train $features_out_dir/poly_out/merge/poly_merged_train.csv
--base_test $features_out_dir/poly_out/merge/poly_merged_test.csv
--out_root $features_out_dir/day11_afford_out
--seed 42

echo "开始构建INCOME特征..." echo "==================================================" python3 day11_income_stab_pipeline.py
--base_train $features_out_dir/day11_afford_out/merged/afford_merged_train.csv
--base_test $features_out_dir/day11_afford_out/merged/afford_merged_test.csv
--out_root $features_out_dir/day11_income_out
--seed 42

echo "开始构建EXPENSE特征..." echo "==================================================" python3 day11_expense_structure_pipeline.py
--base_train $features_out_dir/day11_income_out/merged/income_merged_train.csv
--base_test $features_out_dir/day11_income_out/merged/income_merged_test.csv
--out_root $features_out_dir/day11_expense_out
--seed 42

echo "开始构建CREDIT特征..." echo "==================================================" python3 day11_credit_behavior_pipeline.py
--base_train $features_out_dir/day11_expense_out/merged/expense_merged_train.csv
--base_test $features_out_dir/day11_expense_out/merged/expense_merged_test.csv
--out_root $features_out_dir/day11_credit_out
--seed 42

echo "开始构建SHOCK特征..." echo "==================================================" python3 day11_liquidity_shock_pipeline.py
--base_train $features_out_dir/day11_credit_out/merged/credit_merged_train.csv
--base_test $features_out_dir/day11_credit_out/merged/credit_merged_test.csv
--out_root $features_out_dir/day11_shock_out
--seed 42

echo "开始构建BHV特征..." echo "==================================================" python3 day11_behavior_flags_pipeline.py
--base_train $features_out_dir/day11_shock_out/merged/shock_merged_train.csv
--base_test $features_out_dir/day11_shock_out/merged/shock_merged_test.csv
--out_root $features_out_dir/day11_bhv_out
--seed 42

echo "开始构建GEO特征..." echo "==================================================" python3 day11_geo_cohort_pipeline.py
--base_train $features_out_dir/day11_bhv_out/merged/bhv_merged_train.csv
--base_test $features_out_dir/day11_bhv_out/merged/bhv_merged_test.csv
--out_root $features_out_dir/day11_geo_out
--seed 42

echo "开始构建TEAM特征..." echo "==================================================" python3 day11_team_features_pipeline.py
--base_train $features_out_dir/day11_geo_out/merged/geo_merged_train.csv
--base_test $features_out_dir/day11_geo_out/merged/geo_merged_test.csv
--train_main $train_main
--test_main $test_main
--out_root $features_out_dir/day11_team_out
--bank_train $train_bank
--bank_test $test_bank
--seed 42

echo "开始训练..." echo "==================================================" python3 train.py $train_dir ./model

echo "开始测试..." echo "==================================================" python3 test.py $test_dir ../result