简介围绕2023年美赛C题Wordle数据建模的M论文以单份PDF形式呈现适合备战美赛、需要完整赛题解题框架的参赛者以及做数据分析方向毕业设计的读者参考。压缩包仅含1个PDF文件大小约2.18MB篇幅集中便于通读与对照赛题复盘。内容从数据清洗、缺失值与异常文本处理、尝试次数标准化入手提取9个单词属性并做Spearman相关性分析随后用时间序列模型完成结果数量的区间预测以偏最小二乘回归预测不同尝试次数得分百分比并结合K-means、肘部法则和轮廓系数完成词性与难度分组。文中还给出MAE约34、MSE约2224的误差表现以及混淆矩阵热图、准确率0.941等评估结果并讨论数据质量、模型假设等不确定性。已有170人学习适合用来梳理建模流程、复现关键方法并积累论文写作素材。1. 开篇2023 美赛 C 题给的数据干净得反常掉档的人恰恰栽在这上面2023 美赛 C 题给了一份五字母猜词游戏的日度数据359 行、12 列没有缺失值看上去干净得不像建模题。真正拉开差距的地方第一天就出现了一多半队伍抓起数据直接上 LSTM、XGBoost论文里堆了五六个模型最后只拿到 S拿 M 奖的那批论文模型未必多高级但四个问题各自能闭环预处理交代得清清楚楚。这道题反直觉的地方在于它考的不是调参水平而是你能不能把一份「脏得刚刚好」的数据讲成一条从清洗、预测到分类的完整证据链。正在准备美赛的人、打算把美赛赛题改造成毕业设计选题的人都该按这条链来练。下面按考点分布、高频考点、真题演练、易错点的顺序一层层拆开。2. 数据预处理评委前五分钟会盯的三个动作数据预处理在美赛评分表里没有单独一栏但它决定了评委对你整篇论文的第一印象。359 行数据、12 列字段量小到评委可以直接抽查任意一行任何一处没交代的处理都会被追问。C 题的实际数据结构是日期、每日参与人数、困难模式人数以及猜中轮次 1、2、3、4、5、6 次和失败X的七个百分比列。这七个百分比加起来本应等于 100%实际上有 98%、99%、100%、101%、102% 五种情况光这一条就够写一页预处理。预处理要交付三样东西异常值怎么发现的、怎么替换的、替换后对结论有没有影响。三样缺一样后面的 ARIMA 预测和 PLS 回归都站不住脚。很多队伍把清洗写成一句「我们对数据进行了预处理」这是典型的失分写法——美赛评委看不到你的中间过程只能从你写出来的每一步判断你是否真的动过手。2.1 异常值两个离群点怎么定位、怎么替换、论文里怎么写把「每日报告人数」按时间画成折线会看到一处断崖式下跌某一天的数值是 2569而它前后两天分别是 23739 和 22628。困难模式人数也有同样的问题某天是 3249两侧是 9310 和 10343。这两处不是真实的游戏热度变化而是数据记录问题如果不处理ARIMA 的差分项会被这两个点带偏预测区间会宽得没法用。处理方式用的是邻域均值替换取异常点前后各两个点求平均四舍五入后回填。2569 那一处替换成 231843249 那一处替换成 9827。这个方法比直接删除整行更稳妥因为删掉一天会让时间序列出现断点asfreq(D)之后还要补值反而多一层麻烦。import pandas as pd def fix_spike(series, idx, window2): 用 idx 前后各 window 个点的均值替换异常值 left series.iloc[max(0, idx - window):idx] right series.iloc[idx 1: idx 1 window] return round(pd.concat([left, right]).mean()) df pd.read_csv(daily_results.csv, parse_dates[date]).sort_values(date) df df.reset_index(dropTrue) for col in [reported, hard_mode]: # 以 5 日中心滚动中位数为基准低于基准 20% 视为断崖异常 base df[col].rolling(5, centerTrue).median() bad_idx df.index[df[col] base * 0.2] for i in bad_idx: df.loc[i, col] fix_spike(df[col], i, window2)window2取前后各两天共四个点求均值是因为这两处异常都只影响单日邻域越大越容易把真实波动一起抹平。阈值取 0.2 而不是 0.5是因为正常日间的波动幅度在 ±30% 以内只有这种数量级下跌才属于记录错误。换完值以后一定要再画一次折线图放进论文让评委看到替换前后的对比——这一步是「可验证」的来源也是 M 奖论文和 S 奖论文最直观的区别。2.2 百分比归一化98% 到 102% 的五种和处理方式要写清楚把七个百分比列按行相加会得到 98%、99%、100%、101%、102% 五种结果这说明原始数据在四舍五入或统计口径上有偏差。如果直接拿去做 PLS 回归因变量本身就不闭合模型学到的会是一部分噪声。正确做法是按行归一化每行的七个百分比同除以该行总和再乘 100。归一化只对总和落在合理区间的行生效总和明显离谱的行比如整行为空或只有一列有值应当单独标记出来而不是一起拉成 100%否则会把缺失数据伪装成真实分布。pct_cols [p1, p2, p3, p4, p5, p6, px] total df[pct_cols].sum(axis1) # 只处理总和在 95~105 之间的行超出的行记录下来单独说明 mask total.between(95, 105) df.loc[mask, pct_cols] df.loc[mask, pct_cols].div(total[mask], axis0) * 100 print(未处理行数, (~mask).sum())代码里between(95, 105)的上下界不是随手定的七个百分比各自由大样本四舍五入而来单项误差最大 0.5 个百分点七项累计不超过 3.5再留一点余量就是 5。归一化以后要在论文里补一句「归一化前后的分布形态一致仅总量修正」这句话能挡掉评委关于「你是不是篡改了数据」的质疑。提示归一化后重新核对每一行的和是否为 100并把核对结果作为一张小表放进附录比空口说「已归一化」有说服力得多。2.3 九个单词属性的提取这一步决定后两问能不能做问题 1 要回答「单词属性是否影响困难模式占比」问题 2、3 要预测分布和分难度都需要把每个单词转成可计算的数值。原文提取了 9 个维度这是整道题里最容易被低估的一步——属性选得不对后面 Spearman 相关系数全部不显著你会被迫得出「属性无影响」的结论而这是错的。这 9 个维度通常这么定字母个数是否含重复字母、重复字母的个数、元音字母占比、首字母在全库中的出现频率、末字母频率、字母在常见位置上的平均频率、单词的语料词频越生僻越难、字母组合的常见度是否含有 rare 组合如双写、以及是否含不发音字母。前四项是结构属性后五项偏语言属性两类混着提才能同时解释「结构难」和「认知难」。数据里还有两处需要修正有两个单词只有四个字母查证后应为 clean 和 trash 一类的五字母词。这类修正必须在论文里列出原始值和修正值因为评委手里的原始数据是四字母你不写清楚他会以为你编数据。注意属性提取的依据一定要写「为什么选这 9 个」比如「词频高说明玩家更熟悉猜中轮次应当更少」。只列属性不给假设评委会认为你是凑数。3. 问题 1 拆解ARIMA 定阶、预测区间、相关性三件事问题 1 有两问一是解释每日报告人数的波动并给出 2023 年 3 月 1 日的预测区间二是判断单词属性是否影响困难模式占比。第一问考时间序列第二问考相关性分析两问共用同一份清洗后的数据但方法论完全不同论文里必须分成两个小节写不能混在一段里。这道题最容易出现的结构性错误是把两问写成「先预测、再顺便做个相关」导致第二问只有相关系数表没有结论。正确的展开顺序是——先描述波动形态先升后降的长期趋势 周末效应再建模再给区间最后单独用一节处理属性相关性。3.1 ARIMA(p,d,q) 三个参数在论文里怎么讲到点上ARIMA 的三个参数里d 最好讲原始序列有明显趋势一阶差分后围绕均值波动所以 d1。p 和 q 是自回归项数和滑动平均项数靠 ACF自相关图和 PACF偏自相关图的拖尾、截尾特征初定再用 AIC 网格搜索在小范围里选最优。论文里不要只写「我们用 ARIMA 模型预测」要写三句话序列经过一阶差分后 ADF 检验 p 值小于 0.05序列平稳ACF 在 2 阶后截尾、PACF 拖尾初定 p1~3、q0~2在候选集里按 AIC 最小选出最终阶数。这三句把「你为什么选这个模型」讲透了比贴一张模型结构图管用。from statsmodels.tsa.arima.model import ARIMA import warnings warnings.filterwarnings(ignore) y df.set_index(date)[reported].asfreq(D) best None for p in range(0, 4): for q in range(0, 3): try: m ARIMA(y, order(p, 1, q)).fit() if best is None or m.aic best[0]: best (m.aic, p, q, m) except Exception: continue aic, p, q, model best print(f最优阶数 p{p}, q{q}, AIC{aic:.2f})这段网格搜索的循环范围不用开太大p 取 0 到 3、q 取 0 到 2 已经覆盖绝大多数日度数据。d固定为 1 是因为差分次数由平稳性检验决定不该参与搜索否则会选出过差分的结果。try/except是为了跳过不收敛的参数组合这在日度数据上很常见。3.2 置信区间和预测区间不是一回事别写反论文给出的 2023 年 3 月 1 日预测区间是 [17363, 18994]。这个区间的宽度来自两部分误差参数估计的不确定性和未来观测值本身的随机性。两者的区别必须讲清楚——置信区间描述的是「未来那天人数的期望值落在哪」预测区间描述的是「未来那天实际观测到的人数落在哪」后者永远比前者宽。很多论文在这一步翻车把软件默认输出的区间直接叫成置信区间评委会立刻判断你没搞懂自己在算什么。正确的写法是先给点预测再说明「95% 置信水平下均值的置信区间为 A观测值的预测区间为 B」两个数都列出来并解释为什么 B 更宽。提示如果时间紧张只能给一个区间给预测区间并在文中说明「预测区间包含观测噪声对实际决策更有意义」。这句话本身就是加分点。3.3 属性与困难模式占比Spearman 相关的答题模板第二问的因变量是「困难模式人数占当日总人数的百分比」自变量是 9 个单词属性。这里用 Spearman 而不是 Pearson原因是占比数据不服从正态分布且属性和占比之间更可能是单调关系而非线性关系。答题模板分四步写第一步说明为什么选 Spearman秩相关、对异常值稳健、不要求线性第二步给相关系数矩阵热图标出显著项第三步逐条解释显著项的方向和量级比如「重复字母数每增加一个困难模式占比上升若干个百分点因为重复字母会误导玩家对字母位置的判断」第四步给结论——属性有影响但解释力有限大部分变异仍由玩家群体构成解释。第四步是拉开档次的地方。只写「有影响」是及格线写出「影响存在但边际」才是 M 奖水平因为这说明你真的看过残差而不是硬凑显著。4. 问题 2 和问题 3PLS 回归与 K-means 分档的完整写法问题 2 要预测未来某天某单词在 1 到 6 次及失败上的七个百分比因变量有七个且彼此不独立加起来等于 100自变量是 9 个单词属性。多因变量 多自变量 中等样本量这三个条件同时成立时普通多元线性回归会因为共线性直接崩掉PLS 是这道题的标准解。问题 3 要按难度给单词分类但数据里没有难度标签只能做无监督学习。先 K-means 分档再用 PLS 预测的分布算加权难度分最后用混淆矩阵验证。这两问在逻辑上是串起来的问题 2 的输出是问题 3 的输入。4.1 为什么是 PLS 而不是普通回归或主成分回归PLS 的实质是把自变量和因变量的协方差最大化同时做降维和回归。它和主成分回归的区别在于主成分回归只对自变量做 PCA找到的方差最大方向可能和因变量毫无关系PLS 在降维时把因变量也纳进来提取的成分对预测更有用。选它的三个理由要在论文里写全样本量三百多属于中等偏小不适合深度模型9 个属性之间存在明显共线性词频和字母常见度高度相关7 个因变量共享同一组自变量分开建七个模型会丢掉因变量之间的相关性。from sklearn.cross_decomposition import PLSRegression from sklearn.model_selection import cross_val_predict from sklearn.metrics import mean_absolute_error, mean_squared_error from sklearn.preprocessing import StandardScaler X_attr StandardScaler().fit_transform(word_features) # 9 个属性标准化 Y_pct df[pct_cols].values # 7 列百分比 pls PLSRegression(n_components3, scaleTrue) pred cross_val_predict(pls, X_attr, Y_pct, cv5) print(MAE:, mean_absolute_error(Y_pct, pred, multioutputraw_values)) print(MSE:, mean_squared_error(Y_pct, pred, multioutputraw_values))n_components3是主成分个数通常用交叉验证的预测残差平方和曲线来定曲线拐点处取值。scaleTrue让 PLS 内部再做一次标准化防止词频这类量纲大的属性主导成分方向。multioutputraw_values会输出七个因变量各自的误差论文里应当列成表——只报一个平均 MAE 会掩盖某一轮次预测特别差的情况。原文报告的 MAE 落在 3 到 4 之间MSE 落在 22 到 24 之间。这个量级在百分比尺度上是合理的单轮次百分比的平均绝对误差三四个百分点说明模型能抓住大致分布形态但不足以精确到小数点。论文里必须补一句「误差主要来自 X失败列因为失败率本身波动最大」否则评委看到 MAE 3.5 会追问误差结构。4.2 肘部法则与轮廓系数K 怎么定、难度区间怎么切K-means 的第一个问题是 K 取几。这道题的答案是五档但结论必须由两个指标交叉验证得出不能直接说「我们分成五类」。肘部法则看的是簇内平方和inertia随 K 变化的曲线拐点处就是合理 K 值轮廓系数看的是每个点到本簇和其他簇的平均距离之比取值 -1 到 1越接近 1 说明分得越开。两个指标都指向 5 时K5 才站得住。from sklearn.cluster import KMeans from sklearn.metrics import silhouette_score inertia, sil [], {} for k in range(2, 9): km KMeans(n_clustersk, n_init10, random_state42).fit(X_attr) inertia.append(km.inertia_) sil[k] silhouette_score(X_attr, km.labels_) print(inertia:, [round(v, 1) for v in inertia]) print(silhouette:, {k: round(v, 3) for k, v in sil.items()})n_init10表示用 10 组不同初始质心各跑一次取最优避免陷入局部最优这个参数在样本量小的时候尤其重要。random_state42是为了结果可复现论文里应当写明随机种子。定完 K 之后把五档的难度区间写出来比如最容易档的平均猜中轮次 3.2最难档 4.8区间怎么切、依据是什么都要交代。4.3 EERIE 的难度分 4.635 是怎么算出来的难度分不是聚类结果直接给的而是用 PLS 预测出的七轮百分比加权算出来的。加权公式的思路是越靠后的轮次权重越高失败X权重最高。设七轮权重为 w1 到 wX难度分 Σ(wi × pi)其中 pi 是该单词在该轮次被猜中的百分比。EERIE 的难度分是 4.635落在第五档最难档说明这个词整体偏难。这个结果符合直觉它含两个重复的 E、字母组合不常见、首字母在词首频率低。论文里要把「为什么它难」和「属性分析」对上——如果属性分析说重复字母提高难度而 EERIE 恰好卡在高难度档这条证据链就闭合了。答题时容易漏掉的一步是归一化权重。七轮百分比加起来是 100权重和也应当归一否则难度分的量纲会随权重设定漂移无法跨单词比较。4.4 混淆矩阵热图和 0.941 准确率该怎么表述分类模型的验证用混淆矩阵行是真实档位列是预测档位对角线越深越好。原文报告的准确率是 0.941这个数字在五分类任务里相当高但高准确率本身需要解释——如果某一档样本极少模型全预测成多数档也能拿到高准确率。所以论文里不能只写 0.941要写三件事各类别的样本数是否均衡、每一档的召回率分别是多少、错分主要发生在哪两档之间。通常错分集中在相邻两档因为难度本身是连续量硬切成五段必然有边界样本。把「错分集中在相邻档跨档错分极少」这句话写出来评委会认可你理解了模型的性质而不是只会报一个数。注意混淆矩阵的颜色深浅要在图注里说明含义深色 样本多否则评委得自己猜。5. 易错点这五处一写就掉档以下五条来自这道题最常见的失分方式每条按「错在哪、为什么错、怎么答对」拆开都是可以在交稿前逐条自查的。第一条把异常值直接删掉或者根本不提异常值。错在哪论文里数据描述只有一句「数据完整无缺失」而原始曲线里明明有两处断崖。为什么错评委手里有同一份数据画一遍图就能发现你不提等于承认没做探索。怎么答对把异常点定位过程、替换方法、替换前后对比图三样放进去并说明替换对预测区间的影响幅度。第二条七列百分比不归一化直接进模型。错在哪直接把 98% 到 102% 的数据当因变量喂给 PLS。为什么错因变量不闭合模型拟合的是一部分舍入噪声MAE 会虚高且误差结构无法解释。怎么答对按行归一化并说明只对 95% 到 105% 的行生效附录里附归一化前后的和校验表。第三条把置信区间当成预测区间写。错在哪文中写「95% 置信区间为 [17363, 18994]」但用的其实是软件输出的预测区间。为什么错两个概念混淆说明建模细节没吃透评委一旦追问就露馅。怎么答对两个区间都给明确写出「均值区间更窄、观测区间更宽」并解释宽度差异来自观测噪声。第四条K-means 的 K 直接拍板定成 5不给依据。错在哪论文写「我们将单词分为五类」前后没有任何指标支撑。为什么错无监督学习不给定 K 依据等于把结论建立在主观判断上这是方法论的硬伤。怎么答对肘部法则曲线 轮廓系数表两个证据并列两个指标同时指向 5 才下结论冲突时说明取舍理由。第五条准确率 0.941 单独出现不做误差结构分析。错在哪只报总体准确率不报各类别召回率和错分分布。为什么错五分类任务里类别不均衡时总体准确率会严重美化模型评委看的是你能不能识别这一点。怎么答对混淆矩阵热图 每档召回率 一句「错分集中在相邻档符合难度连续变化的预期」。提示这五条按顺序自查一遍基本能挡掉评委最常问的追问。特别是第一条和第三条几乎是每篇 S 奖论文的通病。6. 押题与答题技巧把四问写成一条能自证的链美赛 C 题这类题目阅卷时间有限评委翻论文的顺序通常是摘要、图表、结论、模型假设。想让四问在十分钟内被看懂最有效的做法是让每一问的输出成为下一问的输入形成一条能自证的链清洗后的数据 → ARIMA 给出人数区间 → 属性相关性筛选出有效特征 → PLS 用这些特征预测七轮分布 → 分布加权成难度分 → K-means 分档 → 混淆矩阵回头验证分档。链条一旦成立任何一问被质疑你都能指回上一环。具体操作上我建议交稿前跑一遍下面这张自检表每一项都对应一个可能被追问的点自检项合格标准常见不合格写法异常值处理有定位方法、替换值、前后对比图「数据已清洗」一句话带过百分比归一说明适用范围和校验方式直接归一不提前提ARIMA 定阶ADF 检验 ACF/PACF AIC 三证据只写「用 ARIMA 预测」区间表述置信区间与预测区间分别列出两个概念混用属性选择每个属性配一条影响假设只列 9 个名词PLS 误差七列分别报 MAE/MSE只报一个平均值聚类定 K肘部 轮廓双证据直接写 K5分类评估混淆矩阵 分档召回率只报总体准确率另外有两个提分动作值得单独说。一是把问题 4 的「有趣特征」写成四条有数据支撑的观察而不是罗列图表参与人数随时间先升后降、首字母分布高度集中、猜中轮次近似正态、部分词缀组合异常偏高。每条观察后面跟一句「这说明什么」比堆四张图有用。二是给编辑的那封信不要写成客套话写成三条可执行建议比如「对高难度词提前在提示位放一个元音」这种具体建议在评分表上属于创新性加分。我自己带队那年就吃过亏预处理写得太省模型部分倒是花了三天调参结果评委反馈里第一条就是「数据清洗过程不透明」。从那以后我每次交稿前都强制走一遍上面那张表从异常值一路核到混淆矩阵哪怕时间只剩两小时也先核这张表再改文字。模型可以普通链条不能断——这是这道题最实在的一条经验。希望帮到你。本文还有配套的精品资源点击获取