【 建模分析回顾】[MultiOutputClassifier]MAP - Charting Student Math Misunderstandings

根据描述，及train.csv及Submission File的信息，建模分析过程如下。

✅ 一、目标特征类型：分类变量（Categorical Target）

要预测的是两个字段：

• Category：通常是表示题目或概念所属的大类（如物理、数学、化学等），是一个有限的离散标签集合 → 属于多类分类。
• Misconception：表示学生回答中可能体现出的错误理解类型（如 “认为速度等于加速度”），也是有限枚举标签集合 → 同样是多类分类。

🔍 这两个特征都是有限集合中的类别标签，不是连续变量，所以它不是回归问题，而是分类问题。

---

✅ 二、输入特征类型：自由文本（Text Features）

输入主要是两个列：

• QuestionText（问题文本）
• StudentExplanation（学生解释）

这两个字段都是自然语言文本，不是数值型变量，典型的输入形式为：

Q: “Why does the ball fall down?”
A: “Because it wants to touch the ground.”

所以需要用 TF-IDF、BERT、GPT 等 NLP 模型将其转化为向量表示后，再进行建模。

---

✅ 三、建模任务匹配：文本多类分类

任务类型	输入形式	输出形式	建模目标
文本分类	文本（字符串）	类别标签	预测哪个类别
文本生成	文本（字符串）	文本（字符串）	自动生成句子
文本回归	文本（字符串）	实数值	预测一个连续变量

这里的任务非常典型地属于第一种：文本分类问题。

---

✅ 四、评估指标选择也支持分类建模

可以用到的评估指标：

• accuracy
• macro-F1
• classification_report
• confusion_matrix

这些都是为分类问题设计的评估方法。

注意这里 本项目提出了一个评估指标Mean Average Precision @ 3 (MAP@3):

✅ 五、总结：这里面对的问题是这样一个结构：

• 输入 X：自然语言文本（问题和学生回答）
• 输出 Y：离散的标签值（概念分类，误解分类）
• 目标：学习一个映射函数 f(text) → category 或 → misconception
• 任务类型：多类文本分类（Multiclass Text Classification）

---