【2026_MCM美赛】问题C：与星体相关的数据（思路、代码、论文持续更新中）

先说说我拿到这类题目时的第一反应。如果你关注美赛（MCM/ICM）的题型分布，应该能明显感觉到，问题C近年来几乎已经默认变成“数据洞察题（Data Insights）”的代名词。它不会像A题那样给你一堆微分方程让你去建连续模型，也不会像B题那样考察离散优化和运筹决策，而是把一个真实世界的数据集甩到你面前，让你自己从里面挖出结构、找到模式、回答一串“看似开放但实际有明确评价标准”的问题。而“与星体相关的数据”这个题目，单看名字就透露出典型的C题气质：数据量大、字段杂、物理背景强、可做的方向多，同时也最容易让队伍在前期陷入“不知道该往哪个方向死磕”的泥潭。

这篇文章就是来帮你把这个泥潭提前趟平的。我会从题型定位、数据清洗、特征工程、建模选型、代码组织、论文写作、四天时间分配这几个维度，把我自己参赛和辅导队伍踩过的坑、验证过的路径完整拆开讲。内容不是那种“给你一堆万能模板”的空话，而是基于“真实拿到一批星体数据后，你应该按什么顺序做哪些事”的实战逻辑。适合接下来要参加2026年美赛问题C的队伍，尤其是第一次面对数据挖掘类题目的同学。

1. 先搞清楚问题C到底在考什么：不是模型精度，而是数据洞察

很多队伍拿到C题后会犯一个方向性错误：一上来就想着“我要用哪个高级模型把精度刷到最高”。如果题目只是让你预测一个数值或者分一个类，那精度的确重要；但美赛C题的核心评判标准，从来都不是你用了多复杂的模型、AUC刷到了多高，而是你能否从给定数据中提取出有意义、可解释、有证据支撑的结论。

1.1 “数据洞察”类题目的评审逻辑

COMAP（美国数学及其应用联合会）在官方描述里对问题C的定位一直都是“数据洞察问题”（Data Insights Problem）。评委在看你的论文时，脑子里其实装着三个问题：

第一，你是否理解这批数据本身的生成背景和物理含义？星体数据不是随便造出来的数字，每一条观测记录背后都有对应的天文测量方式、误差来源和选择效应。如果你只会跑模型但说不出数据的来龙去脉，论文的“深度”就会明显不够。

第二，你是否能讲出一个完整的故事？数据洞察题的核心产出不是算法代码，而是一套“从数据探索出发、发现问题、提出假设、建模验证、得出结论”的完整分析流程。换句话说，你的论文要像一篇小型科研报告，而不是Kaggle竞赛的solution write-up。

第三，你的结论是否有数据支撑、可视化是否直观、图表是否美观？对C题来说，图表质量几乎直接决定了论文的上限。同样一个KMeans聚类结果，不同队伍做出来的图信息密度和美观度可能差好几个档次。

所以，你在建模之前，先要把“我要回答什么问题”想清楚。通常C题给出的问题会分成几个小问（a、b、c……），每个小问对应一个明确的分析任务。你的论文结构就应该严格贴着这些子问题走，而不是自创一套分析流程。

1.2 “与星体相关的数据”可能埋了哪些坑

从标题看，这题给的数据大概率是恒星、星系、系外行星或者小行星的观测数据。这类数据有几个共同特点，也是你要提前做好心理建设的地方。

第一，量纲差异极大。星等（magnitude）可能是零点几到几十的数值，距离可能是几光年到几十亿光年，表面温度可能是几千到几万开尔文，质量可能从地球质量的几分之一到太阳质量的几十倍。这些不同量纲的变量放在同一个数据表里，如果不做标准化，直接丢进基于距离的模型（KMeans、KNN、SVM）里会非常吃亏。

第二，缺失值几乎是必然存在且缺失模式复杂。天文观测受观测条件、仪器波段、目标亮度等因素影响，不同波段的数据缺失情况往往不是随机的，而是和天体本身的性质相关。比如暗弱的天体可能只有部分波段的测光数据，明亮的天体反而数据齐全。这种“非随机缺失”如果处理不当，会直接影响后续建模。

第三，异常值里可能藏着最重要的科学发现。你在做数据清洗时一定会遇到一些“看起来明显不合理”的样本，比如红移为负、绝对星等异常亮、距离误差巨大的记录。普通数据题的处理方式是直接剔除；但星体数据里，异常样本可能就是特殊天体（变星、活动星系核、候选系外行星），把它们一删了之，反而会丢掉题目的彩蛋。

第四，测量误差不能忽视。很多C题数据表里会附带误差列（比如距离误差、星等误差）。有的模型在特征工程阶段可以巧妙地把误差信息编码成特征（比如信噪比、相对误差），这一手在评委眼里是明显的加分项，因为说明你真的理解观测数据的特性。

2. 拿到数据后的第一关：数据清洗与分布探查

不管是哪一类的星体数据，拿到手的第一步永远是“先别建模，先看数据”。我自己带队伍的习惯是：拿到数据后的第一个半天，只做三件事——读入数据、看数据结构、做分布可视化。这三件事做扎实了，后面建模和写作都会顺很多。

2.1 字段清单与含义梳理

首先把所有字段列清单，逐项搞清楚物理含义。以一份典型的恒星观测数据为例，常见字段通常包括：

• 天体标识（如Gaia Source ID、Hipparcos编号、2MASS编号）
• 赤经（RA）、赤纬（Dec）
• 视星等（各波段，如Gmag、Bmag、Vmag）
• 绝对星等、视差（parallax）及误差
• 颜色指数（如B-V、G-BP、G-RP）
• 光谱类型（O、B、A、F、G、K、M型，或连续谱特征）
• 表面温度（Teff）
• 金属丰度（[Fe/H]）
• 径向速度（RV）及误差
• 质量、半径、光度（部分字段可能缺失）
• 自行（proper motion）分量
• 分类标签（如源类型：恒星/白矮星/类星体/星系候选体）

在梳理字段时，一定要做一个元数据表格，记录每个字段的物理含义、单位、数据类型、缺失率、取值范围。这个表格在后论文写作的“数据说明”部分是现成的素材，而且能帮你在做特征工程时快速定位哪些字段可以组合出新特征。

2.2 缺失值与异常值的处理策略

处理缺失值没有“一招鲜”。我的建议是按缺失率分三档来应对。

缺失率很低（<5%）的数值型字段，直接用中位数或基于其他字段的分组中位数填充即可。比如表面温度缺失，可以用相同光谱类型的其他恒星的温度中位数填充，这种填充方式比全局中位数更有物理依据。

缺失率中等（5%~30%）的字段，不建议简单填充。更好的做法是：要么把“是否缺失”本身作为一个二值特征加入模型（对树模型特别有效），要么用列如KNN Imputer这种考虑多字段关系的填充器。注意，用KNN Imputer时要先标准化。

缺失率很高（>50%）的字段，直接放弃作为建模特征，但可以在数据探索阶段分析一下“这个字段的缺失和其他变量的关系”。比如某个波段星等缺失比例高，可能意味着该天体在对应波段观测不到，这本身就是一条有价值的信息。

异常值处理的关键是先区分“真异常”和“假异常”。我的操作是先做多元分布图（scatter matrix或PCA降维后的二维投影），结合物理常识判断：视差为负值？直接剔除或重算距离；金属丰度超出-5到1的范围？标记为特殊天体；光度和表面温度组合远超主序带的范围？可能是双星系统或分类标注错误。

这里一定要提醒一点：如果题目里本身就有“分类标签”字段，你清洗数据时剔除异常样本，可能会导致某些稀有类别的样本数进一步减少。所以每次执行删除前，先groupby一下类别看一眼数量变化，再决定是剔除还是单独拎出来标记。

2.3 分布探查：不只画直方图那么简单

分布探查阶段，我不建议只机械地画一堆直方图，而是要有目的地回答几个问题：

第一个问题：各数值字段的分布形态是什么？有没有严重的长尾分布？如果有（比如光度、质量、距离通常严重右偏），后续标准化时要考虑log变换而不是z-score。

第二个问题：类别字段的分布是否均衡？如果把“天体类型”当作预测目标，你需要明确每类的样本量。星体数据里经常出现类别极度不均衡：正常主序恒星占绝大多数，而白矮星、中子星、活动星系核候选体的样本量可能只有前者的百分之一。解决不均衡的手段后面建模部分讲，但你现在至少要知道问题的严重程度。

第三个问题：变量之间的相关性结构是怎样的？直接画相关系数热力图。天文数据里很多变量天然强相关（比如表面温度与B-V颜色指数、光度与绝对星等、距离与视差成倒数关系）。当你发现两个特征相关系数超过0.9时，要么只保留其中一个，要么用PCA等降维手段处理后喂给模型，避免树模型之外算法出现共线性问题。

第四个问题：是否存在明显的分组结构？在做任何聚类或分类建模之前，可以用PCA或t-SNE把高维数据降到二维，散点图里如果能看到明显的团簇，说明数据内生的分组结构很强，后面的建模难度会低很多；如果是连续均匀的一大片，你要做好结论“没有清晰分界”的心理准备。

3. 建模路线的分叉选择：分类、回归、聚类、还是多任务混合

等把数据摸熟之后，你就要对照题目具体的小问做路线选择。根据近些年C题的常见出题套路，星体数据大概率会落在以下四种任务类型里，你至少要对每一类都有清晰的应对方案。

3.1 分类任务：从光谱特征到天体类型判别

如果题目要你“根据多波段测光数据预测天体类别”，或者要你“识别出特殊天体子集”，本质就是一个监督分类问题。这里的核心细节是类别不平衡处理和可解释性验证。

建模层面，我一般不会第一轮就直接上集成模型，而是先跑一个简单的逻辑回归或决策树，目的有两个：一是快速建立一个baseline，二是查看特征重要性（逻辑回归的系数或树的feature importance），判断哪些字段对分类最有效。这个baseline不仅给后续模型提供参照，还能在论文里写成一节“简化模型的基准性能”，让评委看到你的分析是有层次的。

第二轮上梯度提升树模型，具体选XGBoost还是LightGBM建议都试一下，哪个在验证集上效果好就用哪个。做类别不平衡的办法优先尝试class_weight参数（LightGBM里是is_unbalance或scale_pos_weight），效果不够再考虑SMOTE过采样。注意SMOTE对高维天文数据可能引入不合理的合成样本，使用前要检查合成样本的物理特征是否落在合理区间。

第三轮，如果数据有明显的空间结构（比如不同星族在特征空间里分布在不同的流形上），可以试一下随机森林 + 深度特征交互，或者直接用带label smoothing的MLP。但除非题目明确指向深度学习方法，否则梯度提升树通常已经够用且论文更好解释。

最后不要忘了输出混淆矩阵、查准率/查全率、宏平均F1，以及最重要的一个环节——错误样本分析。把预测错误的样本挑出来，看它们在特征空间里有什么共性，这往往是论文里“进一步讨论”部分最好的素材。比如错分样本大多数是处于主序带边缘的恒星，说明类别边界本身模糊，这比单纯报一个准确性数字有说服力得多。

3.2 回归任务：从多波段观测倒推物理参数

如果题目要你估计天体的距离、质量、金属丰度、表面温度等连续物理参数，这就是回归任务。回归任务的第一原则是选对评估指标：如果标注值经过log变换，建模和评估都应该在log空间进行，最后再反变换回去。比如距离通常用对数距离建模，因为测光距离的误差在对数空间近似对称。

特征处理上，把误差列变成特征这件事在回归任务里更有效。比如你手上同时有视差值和视差误差，构造“信噪比 = |视差| / 视差误差”这个特征，对距离估算模型的帮助往往比单纯把两个值分开丢进去要好得多。因为信噪比直接刻画了该样本观测质量的优劣，模型可以据此决定对某个样本的预测置信度。

模型层面，梯度提升树回归和带正则化的线性回归都值得一试。线性回归的优势是系数可以直接解释，比如告诉你“在控制其他变量不变时，颜色指数每变化0.1，距离估计的对数值变化多少”，这种写法在论文里非常加分。梯度提升树的优势是能捕获非线性关系，但解释性弱一些。我见过不少拿了奖的论文是两条路线都做：一个作为主模型，一个作为鲁棒性检验。

还有一个很多队伍忽略的操作：不确定性量化。你可以用梯度提升树的分位数损失模式（quantile regression）预测出目标参数的10%和90%分位数，然后论文里画“预测值 vs 真实值”散点图时，顺带画出不确定度条带。这一手如果做出来，整篇论文的深度会直接拉高一个档次。

3.3 聚类任务：发现数据中的星族结构

如果题目的问题更像“这些天体在物理参数空间里是否能形成几个不同的族群？每个族群有什么特征？”，那你要走聚类路线。

聚类第一步是特征选择。对星体数据，常用的物理参数空间是“颜色-光度图”（比如B-V颜色对绝对星等），本质上就是赫尔茨普龙-罗素图（H-R图）的变体。在这个二维空间里，主序带、红巨星分支、白矮星区域天然形成可分辨的结构。你先在这个二维空间做聚类，效果和可解释性都远好于直接在30维原始特征上聚类。

算法选择上，我的经验是：如果你想发现“任意形状”的星族分布，HDBSCAN比KMeans好得多。KMeans对簇形状和簇数量敏感，而且会强迫把所有点都分配到某个簇里，这在“中间区域的天体不属于任何一族”的场景下会产生误导。HDBSCAN具备噪声点检测机制，处理天文数据这种噪声比例不低的情况更合适。

步骤层面这样做：先对特征做标准化（必要时log变换），然后用UMAP降到2~3维，再用HDBSCAN聚类。注意UMAP的n_neighbors和min_dist参数要尝试几组，因为这两个参数直接决定了降维后的结构保持程度，不同参数下聚类结果可能差异很大。聚类完成后，对每个簇做“画像分析”：计算每个簇在各原始特征上的均值、中位数、标准差，配合物理常识给每个簇命名（比如“年轻的蓝星族”“年老的红星族”“富金属盘星族”等），这是论文里最出彩的部分之一。

3.4 时间序列潜力：变星光变曲线怎么办

有些星体数据会附带光变曲线（亮度和时间序列），这时候题目很可能要求你从光变曲线里识别周期或类别。如果真有这类子问题，你的技术栈要临时切换到时序建模上。

识别周期最靠谱的传统方法是Lomb-Scargle周期图，特别适合针对“采样时间不均匀”的天文观测数据，这是普通FFT做不到的。用astropy的LombScargle工具可以快速提取出最强周期，再做相位折叠（phase folding）画出相位图，看是否存在周期性的光变模式。

如果题目给了较长的连续光变曲线并要求分类（比如区分不同类型的变星），可以选择LSTM或Transformer做序列分类。但我要泼一盆冷水：如果训练样本量不大（几千条以下），深度时序模型很容易过拟合，反而不如手工提取特征后喂给梯度提升树稳。手工特征可以是：光变曲线的均值、标准差、峰度、偏度、最强周期、周期置信度、一阶差分绝对值均值等。把这些特征接上已有的物理参数，训练一个梯度提升树分类器，往往在美赛场景下既省时间又稳成绩。

4. 代码层面的工程化推进：别让“能跑的脚本”拖垮整篇论文

美赛毕竟不是纯粹的打算法比赛，代码不仅是分析工具，更是论文结论的支撑。代码写得太乱、无法复现、关键结果没有留档，最后写论文时你会非常痛苦。下面这套工程化的思路，帮你把代码这一步从“随便写写”升级为“论文的增强器”。

4.1 项目目录结构与团队协作建议

拿到题目到开赛，先花20分钟把整个项目的目录结构定下来。我常用的结构是：

code复制2026_MCM_C/
│
├── data/               # 原始数据与清洗后数据
│   ├── raw/
│   └── processed/
│
├── notebooks/          # 探索性分析（EDA）和环境样例代码
│   ├── 01_exploration.ipynb
│   ├── 02_cleaning.ipynb
│   ├── 03_feature_engineering.ipynb
│   └── 04_modeling.ipynb
│
├── figures/            # 所有输出的图（按章节命名）
│   ├── ch2_data_overview.png
│   ├── ch3_correlation_heatmap.png
│   └── ...
│
├── models/             # 保存训练好的模型文件（.pkl/.joblib）
│
├── outputs/            # 预测结果、评估报告
│
├── utils.py            # 公共函数模块
├── run_pipeline.py     # 一键跑通完整流程的脚本
└── README.md           # 记录每步操作与结果摘要

这样做的核心原因只有一个：论文写作阶段需要引用大量图表和结果，如果每个图散落在各种没命名规则的Notebook里，最后找图、改图会消耗巨量时间。队内协作建议用Overleaf写LaTeX论文，同时配一个共享的网盘用来同步图表和结果，代码托管用Git/Gitee都行，但不用强求，两个人的话及时同步就够。

4.2 关键代码模式：清洗、特征工程与训练评估

这里给几段可以直接用的代码骨架，每段都不是完整成品，而是把最关键的逻辑给你搭好。你拿真实数据后替换字段名和参数就行。

数据清洗部分，先写一个通用函数，把“读入、统计缺失率、按策略填充、异常值标记”串起来：

python复制import pandas as pd
import numpy as np

def load_and_clean_data(path):
    df = pd.read_csv(path)
    print("shape:", df.shape)
    missing_ratio = df.isnull().mean().sort_values(ascending=False)
    print("missing ratio:\n", missing_ratio[missing_ratio > 0])
    return df

def fill_missing_by_group(df, col, group_col):
    # 用分组中位数填充，比全局填充更符合物理场景
    df[col] = df.groupby(group_col)[col].transform(lambda x: x.fillna(x.median()))
    return df

def mark_outliers_iqr(df, col, k=3):
    # IQR 方法标记异常，但只是标记，不自动删除
    Q1 = df[col].quantile(0.25)
    Q3 = df[col].quantile(0.75)
    IQR = Q3 - Q1
    lower = Q1 - k * IQR
    upper = Q3 + k * IQR
    df[f"{col}_outlier"] = ((df[col] < lower) | (df[col] > upper)).astype(int)
    return df

特征工程部分，组合特征的构造往往比原始特征更有效。下面是几个典型的组合方式：

python复制# 颜色指数：不同波段星等差，是天文中最标准的温度/颜色指标
df["BP_minus_RP"] = df["BPmag"] - df["RPmag"]
df["B_minus_V"] = df["Bmag"] - df["Vmag"]

# 距离与视差的关系：距离(秒差距) ≈ 1 / 视差(角秒)
# 注意视差为0或负数时的处理
df["parallax_snr"] = df["parallax"] / df["parallax_error"]
df["distance_pc"] = np.where(df["parallax"] > 0, 1.0 / df["parallax"], np.nan)

# 绝对星等与视星等的关系：绝对星等 = 视星等 - 5*log10(距离/10pc)
df["abs_mag"] = df["apparent_mag"] - 5 * np.log10(df["distance_pc"] / 10.0)

# 信噪比特征
for col in ["parallax", "radial_velocity", "photometry"]:
    err_col = f"{col}_error"
    if err_col in df.columns:
        df[f"{col}_snr"] = np.abs(df[col]) / df[err_col]

注意，构造“绝对星等”时如果距离本身是你想要预测的目标，就不要把绝对星等当作特征放进模型里，否则会引入泄漏。这是新手队伍最容易犯的错误之一。

模型训练与评估部分，我用一个统一的函数封装训练流程。这个函数要支持传入不同的分类器/回归器，输出评估指标和特征重要性，顺手保存模型文件和评估图：

python复制from sklearn.model_selection import train_test_split
from sklearn.ensemble import RandomForestClassifier
from sklearn.metrics import classification_report, confusion_matrix, ConfusionMatrixDisplay
import matplotlib.pyplot as plt
import joblib

def train_clf_with_eval(X, y, model=None, test_size=0.2, seed=42):
    X_train, X_test, y_train, y_test = train_test_split(
        X, y, test_size=test_size, random_state=seed, stratify=y
    )
    if model is None:
        model = RandomForestClassifier(
            n_estimators=500,
            max_depth=12,
            min_samples_leaf=3,
            class_weight="balanced",
            n_jobs=-1,
            random_state=seed
        )
    model.fit(X_train, y_train)
    y_pred = model.predict(X_test)
    print(classification_report(y_test, y_pred))
    # 混淆矩阵
    disp = ConfusionMatrixDisplay.from_estimator(
        model, X_test, y_test, cmap="Blues", values_format="d"
    )
    plt.savefig("figures/model_confusion_matrix.png", dpi=200, bbox_inches="tight")
    # 特征重要性
    imp = pd.Series(model.feature_importances_, index=X.columns).sort_values(ascending=False)
    imp.head(15).plot(kind="barh")
    plt.savefig("figures/model_feature_importance.png", dpi=200, bbox_inches="tight")
    joblib.dump(model, "models/best_clf.pkl")
    return model

如果你要做多个模型对比，可以把上面这个函数里返回的结果（accuracy、macro F1等）记录到一个字典里，最后汇总成一个结果对比表，写论文时直接引用表格里的数字，省去重新算的时间。

4.3 调参与验证的实操建议：少走弯路

第一，永远优先用交叉验证而不是单一的train/test split。尤其当样本量不大、类别不平衡时，5折分层交叉验证的均值和标准差比一次随机划分可靠得多。

第二，调参工具直接上Optuna，不要手写网格搜索。网格搜索在参数空间较大时低效得令人崩溃。Optuna的Tree-structured Parzen Estimator（TPE）采样器一般几百次迭代就能找到接近最优的参数组合。限定好搜索范围和迭代次数（比如100次），跑完直接取最佳参数重新训练。

第三，所有标准化、log变换等预处理都必须在训练集上fit，然后transform到验证集/测试集上，绝对不允许用全量数据做标准化后再划分数据集。这种数据泄漏在比赛里很难被评委直接发现，但它会让模型评估虚高，最终在答辩或复现环节露馅。规范操作是使用Pipeline把缩放器和模型打包：

python复制from sklearn.pipeline import Pipeline
from sklearn.preprocessing import StandardScaler

pipe = Pipeline([
    ("scaler", StandardScaler()),
    ("clf", RandomForestClassifier(class_weight="balanced", n_jobs=-1))
])
pipe.fit(X_train, y_train)

第四，模型不是越复杂越好。C题评委不会因为你用了Transformer就给你加分，他们更关心你的分析逻辑是否闭环、结论是否可靠。如果RandomForest已经能到0.9的F1，就不要再花半天时间调一个神经网络了，把这半天拿去做更精细的可视化或者敏感性分析，收益高得多。

5. 论文写作的核心取舍：把数据故事讲出“科学感”

论文是美赛唯一的交付物，代码和数据评委大概率不会直接跑。所以同样的分析结果，会不会写作、会不会做图，直接决定你是S奖还是M奖甚至F奖。这里只挑最关键的几个点展开，都是我自己在写作阶段容易踩坑的地方。

5.1 Summary Sheet是被阅读时间最长的一页

评委每天要批大量论文，真正能耐心读完正文的精力有限，所以Summary Sheet（摘要表）的重要性不可替代。你的摘要必须在半页到一页的篇幅内，说清楚四件事：问题背景、你们的总体思路、核心方法、得到的关键结论。最好再配上一个小图（比如方法流程图或结果示意散点图），让评委第一眼就能感知到你们的工作量。

写摘要时不要用“我们使用了多种模型”这种模糊表述，要直接给数据：“我们构建了包含17个特征的梯度提升树模型，在五折交叉验证下对四类天体的宏平均F1达到0.92，在区分白矮星与主序恒星的子任务中查全率达到0.95。”这种写法信息密度高，一眼就让人知道你们做了什么、效果如何。

5.2 正文结构要严格贴着题目小问走

很多队伍的问题在于：论文写成了“方法大全”，而不是“问题解答”。正确逻辑应该是每个小节开头先复述一下题目问了什么，然后给出你们的分析思路，展示关键图表，给出结论，最后补一段“该结论的局限性讨论”。

比如题目如果问你“不同星族在物理参数空间中的分布是否存在明显分界？请分析可能的影响因素”，你的论文就应该用“数据探索→聚类方法→聚类结果可视化→各星族物理特征对比→讨论哪些特征导致分界”这样的链条去回应，而不是大篇幅介绍HDBSCAN的数学原理。原理只需要引入时用一小段说明，重点是应用与解读。

5.3 图表规范：清晰、统一、带说明

把图表当作论文的“门面”来打磨。统一字体、统一配色、坐标轴带单位、标题清楚、图例完整。图不要出现多余边框，尽量用白色或透明背景。保存时用高分辨率（300dpi以上），放到LaTeX里用矢量格式更好。

图表的数量不是越多越好，但每张图都得有价值。我习惯在一张图里堆尽量多的信息，比如在聚类散点图的每个点按不同类别着色，右侧用一个小面板显示各簇在某个特征上的箱线图分布，这样一张图就能说明“聚类结构+聚类合理性”两个问题。相关性热力图、特征重要性条形图、混淆矩阵、预测值和真实值散点图都是必要标配，但如果能做出一张“物理参数空间三维投影加颜色映射”的图，视觉效果会非常震撼。

5.4 敏感性分析和鲁棒性检验是拿高分的关键

评委会非常喜欢看到你对“自己结论的自信程度”的讨论。这部分不需要太长，但一定要有。比如聚类部分，你在UMAP参数变化时聚类结果是否稳定？在剔除5%离群点后关键均值差异是否仍然显著？分类模型中，去掉误差相关特征后F1下降了多少？这些通过简单的参数扫描就能得到答案，但在评委眼里，这会让你从“会用模型的人”升级为“会科学分析的人”。

6. 四天时间线怎么排：我用过的最顺手且不容易翻车的节奏

美赛一共只有不到一百个小时（通常在周末），时间规划不好，最后一天必崩。这里给一份相对成熟的时间分配方案，你可以根据团队情况微调。

6.1 Day 1：读题、拆题、数据探索

第一天上午，三个人一起精读题目，把每个小问的关键词标出来，列出“题目到底要我回答什么”，以及“哪些数据与这些问题对应”。这一步容易走偏的地方是过度脑补模型，正确做法是先讨论清楚问题边界。不要一上来就分工：一个写代码、一个读论文、一个排版。前期一起讨论，能省掉后面大量沟通成本。

下午用于数据下载、读入、清洗和图表生产。数据如果太大或字段太多，切记不要试图所有字段都精细处理，先保主任务字段。第一天的标准是把“数据概览、缺失情况、分布特征、相关性热力图”这四张图做出来。晚上结束前，所有人一起过一遍初步发现，确定建模路线是分类、回归还是聚类，并开始写论文的Intro和Data Description部分。

6.2 Day 2：全部小问跑通baseline

第二天的核心任务不是调参，而是让每个小问都有第一个可用的结果。如果题目有4个小问，哪怕每个小问先跑一个简化版随机森林或线性回归，也要在今天结束前拿到数字和图表。baseline的数值可能不漂亮，但它给了你全局时间安排的参照：哪个问题难、哪个问题容易，一目了然。

拿到baseline之后再决定重点突破方向。一般来说，最复杂或分值最高的小问值得投入更多时间，简单的问题保持baseline水平即可。第二天晚上建议完成整篇论文的框架初稿（所有章节标题都写出来，能填的图先填上），这会让第三天轻松很多。

6.3 Day 3：模型升级、敏感性分析和主图制作

第三天的上午做两件事：一是把最重要的模型做一轮调参（用Optuna跑100次基本够）；二是做敏感性分析。中下午开始集中产出最终版图表，所有图的排版、配色、清晰度都要定稿。晚上开始写核心章节的正文，尤其是方法部分和结果讨论。这一晚大概率要熬夜，所以前两天尽量保证睡眠，把体力和脑力留给这一天。

6.4 Day 4：Summary Sheet、润色与检查

最后一天上午优先把Summary Sheet打磨到“不拿给任何人看都觉得完美”的状态。然后三个人各自通读全文，找逻辑漏洞、格式问题、图表编号错乱。下午用来统一格式、检查引用、补充致谢和参考文献。

最后一晚留出两小时做全面检查：所有图是否都有编号并在正文中引用？所有结论是否都有对应图表支撑？有没有遗留中英文混排问题？代码和结果能否对应上？如果这些都通过了，保存PDF，交卷。

6.5 我踩过最深的坑：别在“技术炫技”上浪费太多时间

往年带队伍时，我最懊恼的一次经历是：两个队员花了几乎一整天去尝试用深度生成模型做数据增强，理由是“这样显得技术含量高”。结果最后时间不够，Summary Sheet写得很潦草，整体节奏被打乱。C题真正拉开差距的从来不是单点技术牛不牛，而是整篇论文回没回答清楚问题、图表讲不讲的明白故事。你在考虑一个“炫技”方案前，先问问自己：如果没有这个方案，我的论文会不会缺一个核心结论？如果不缺，那就果断放弃。

还有一个小经验：无论你用LaTeX还是Word写作，一定要从第一天就开始写，不要等到模型全部跑完再开始动笔。题目背景、数据描述、探索性分析这些内容第一天就能写，提前落笔是控制后期压力的关键。

另外，关于代码和数据的可复现性，我在交卷前一定会做一次“从原始数据到主要结果”的完整回放，确保每一个图都能用现有脚本重新生成。如果某个图是手动调整过数据或者临时改过代码才出来的，一定要把最终版本同步到脚本里。这个习惯不仅让论文更严谨，也让你在赛后有底气把代码公开在Gitee或GitHub仓库里，作为项目沉淀。

7. 从经验角度看：这个题后续还能怎么延伸

不管2026年的C题是以系外行星、恒星光谱还是星系巡天数据为主题，你只要掌握了数据洞察题的一套打法，剩下的就是往里面填物理背景和具体方法了。这里再分享几个通用性较强的延伸方向，帮你论文的“讨论与展望”部分有话可说。

第一，多波段数据融合。天文数据往往来自多个巡天项目（Gaia、SDSS、2MASS、WISE等），每个项目观测的波段不同。如果你的数据表格里已经有了多波段测光信息，可以尝试做一个“用部分波段预测缺失波段”的迁移学习小实验，这种跨波段的预测能力本身就能验证数据自洽性。

第二，不确定性在决策中的价值。利用各字段的测量误差信息，构造“置信权重”，对高信噪比的样本给予更高建模权重。这个思路在回归和分类里都能落地，而且论文里非常好写：先在全体样本上建模，再在高信噪比子集上建模，对比两组模型的表现，如果高信噪比子集效果显著更好，说明结论确实受观测质量的影响。

第三，数据降维与流形学习。除了PCA、UMAP，还可以试试自编码器降维后在潜空间做聚类。如果你的数据维度很高且存在非线性结构，自编码器往往能比线性降维保留更多结构。但这一步要谨慎评估时间成本，毕竟自编码器训练和调参都比较耗时，在四天赛程里执行风险偏高，除非你有现成预训练模型可用。

第四，空间分布与选择效应。星体数据里的天体在天球上的分布并不是均匀的。如果题目给了RA和Dec坐标，你可以做全天图可视化，把不同颜色或亮度的天体画在赤道坐标系里，观察是否存在明显的空间聚集或条带结构。这种图在人眼视觉上冲击力极强，放在论文“讨论”部分能直接提升“科学感”。

对于想拿更高奖项的队伍，我建议在赛前花几个小时，把Scikit-learn、LightGBM、SciPy、Astropy这几个库的核心API过一遍，尤其是Astropy里关于坐标转换、光度计算、Lomb-Scargle周期分析的模块。再准备一个40行以内的“制图风格统一函数”，赛时所有图都用同一套风格渲染。这两项准备看起来不起眼，但在四天赛程里能帮你省下大把时间，也能让图纸质量整体上一个台阶。