课程项目中基于脱敏信贷样本构建违约预测模型，负责特征筛选与逻辑回归、随机森林对比实验，使用Python与scikit-learn完成交叉验证，并与组员分工撰写实验报告。在固定训练测试划分下，模型AUC约0.82，较基线提升约0.06；整理特征重要性与误差分析，形成可复现实验记录和汇报材料，获课程优秀小组评价。此外，我补充了缺失值处理与类别不平衡的对比方案，记录不同采样策略对召回率的影响。

个人项目围绕校园匿名消费流水做趋势分析，用Python清洗约2万条模拟与公开样本，按日期、消费类别聚合后以ECharts搭建交互看板，独立完成数据管道与页面开发。在本地测试环境验证筛选与图表联动，常用查询响应约1秒内，并输出指标说明与使用文档，作为数据分析与前端实践作品。开发中我还设计了指标口径说明与异常值标记规则，便于他人复核结果，并整理了项目结构与部署步骤，方便后续迭代与展示。