窗外的鵬城灣在晨霧中若隱若現，但林晨的視線完全聚焦在螢幕上。
阿里雲 P100 例項的遠端桌面流暢得讓人感動。昨晚，他首次用雲端算力完成了行業輪動模型的初步訓練，回測曲線那道微微上揚的斜率，像一劑強心針注入了他連月來自學 AI 的疲憊身軀。
然而，興奮過後是更深的清醒——這只是一個模型，一個未經真正實戰檢驗的“玩具”。
“得找塊磨刀石”。林晨喃喃自語，手指在鍵盤上敲入關鍵字Kaggle進行搜尋。
這個全球最大的資料科學競賽平臺，他早有耳聞，卻從未真正踏足。
過去十年做跨境電商後臺開發，和資料探勘、機器學習隔著行業壁壘。如今轉型 AI，這裡成了檢驗學習成果、接觸真實資料與前沿方法的絕佳戰場。
註冊過程很簡單。
使用者名稱他想了想，敲下“DawnCoder”——晨曦編碼者，寓意著在 AI 黎明時分起步的程式設計者。
個人簡介欄，他猶豫了一下，沒有寫“前跨境電商工程師”，而是簡潔地填上：“AI 自學實踐者，專注於金融時間序列分析”。
主頁刷新出來，琳琅滿目的競賽專案讓他一時眼花繚亂。
有預測房價的，有識別貓狗圖片的，有分析信用卡欺詐的，有預測股票走勢的……
目光在“股票價格預測”競賽上停留了幾秒，他最終還是挪開了。
自己的投資系統是更復雜的多市場、多策略體系，直接套用單一股價預測競賽的框架，可能反而會限制思路。他需要的是更通用的資料預處理、特徵工程和模型最佳化經驗。
最後，他選擇了一個正在進行中的、相對經典的競賽：“泰坦尼克號倖存者預測”。
資料量適中，問題清晰（根據乘客資訊預測是否倖存），社群討論和公開程式碼（Kernel）極其豐富，非常適合新手練手。
點選“Join Coetition”，下載資料集。
壓縮包解壓後，幾個 CSV 檔案躺在資料夾裡：
train.csv（訓練集，包含特徵和是否倖存的標籤），
test.csv（測試集，只有特徵，需要預測結果），
gender_subssion.csv（提交格式示例）。
林晨搓了搓手，開啟 Jupyter Notebook，新建了一個名為“Titanic_FirstTry”的檔案。
他先快速瀏覽資料：乘客 ID、艙位等級、姓名、性別、年齡、同船兄弟姐妹 / 配偶數量、同船父母 / 子女數量、船票號、票價、客艙號、登船港口。倖存情況是二分類（0 / 1）。
“先從最簡單的邏輯迴歸開始”。他自語道，手指開始在單元格里敲入程式碼。
匯入 pandas、nuy、sklearn，讀取資料，檢視基本資訊、缺失值。
“年齡有缺失，客艙號缺失更多，登船港口也有少量缺失……”他一邊記錄，一邊思考處理方法。
對於年齡，他採用了中位數填充；客艙號缺失太多，暫時放棄這個特徵，只提取是否有客艙號作為一個二值特徵；登船港口用眾數填充。
特徵工程方面，他根據常識和快速瀏覽的討論區提示，做了幾項簡單處理：
從姓名中提取稱呼（、s、ss 等）作為新特徵，將性別對映為數值，將艙位等級（Pclass）視為有序分類特徵，計算家庭規模（SibSp + Parch + 1），並建立是否獨自乘船的特徵。
。”型模線基個一跑先，了好“
。型模歸迴輯邏個一了練訓徵特的後化準標用，集證驗為作 %02 出割分集練訓的後理將他
。%5.87：率確準集證驗
。眉挑了挑晨林
。%38 至甚，%28 過超經已率確準的伍隊尖頂前目，上榜行排開公的視檢速快他在……績個這
。面後很在排計估，%5.87 個這他
。”次一第“是就來本這，餒氣沒他但
。）reifissalCgnitsooBtneidarG 的 nraelks 用（樹升提度梯、機量向援支、林森機隨：型模他其試嘗始開他
。合擬過免避證驗叉用使意注時同，化佳最單簡行進）VChcraeSdirG（尋搜格網用採時暫他，問學門是參調
。率確準的 %1.08 了到達上集證驗在型模林森機隨，後騰折番一
。無於勝聊但，限有升提
。題問到識意他。”了糙太是還能可程工徵特“
。碼式程開公的讚高個幾到找，序排”數票投“按，籤標”slenreK“的面頁賽競選點他，是於
。了住引吸被刻立晨林，lenreK 的”nohtyP htiw noitarolpxe atad evisneheroC“為題標個一開點
：路思造構徵特的到想沒他多許了出提還，係關的率存倖與徵特個每了析分深）庫 nrobaeS（化覺視的用僅不者作
……況的存倖或難遇起一能可員庭家聯關氏姓用利至甚，合組徵特他其與並段分齡年將，置位板甲斷推首字號艙客據，位地會社斷推級等位艙和價票據如比
。界眼開大他讓是更 lenreK 的合整型模於注專個一另
。數引超和重權的型模各了整調地緻細並，果結測預的型模個多等 tsooBGX、升提度梯、林森機隨、歸迴輯邏了合融，）reifissalCgnitoV（”類分票投“個一了建構是而，型模個一用隻有沒者作
