Spotlight专访|Python零基础跑通11种模型,北理女孩靠跨界科研圆梦康奈尔商学院

就读院校：

北京理工大学

录取院校：

康奈尔大学、约翰霍普金斯大学、

伦敦大学学院、南加州大学、加州大学圣地亚哥分校

指导教授：

南加州大学C.A.教授

参与课题：

商业分析与数据科学：数字化转型时代的智能洞察、优化与决策

“我本身是学会计的，但一直对数据分析在商业决策中的应用挺感兴趣，尤其是金融行业的场景。”

栗同学生活照

说起为什么会加入CIS的数据科学课题，栗同学的理由很简单——好奇。这个项目是学院老师推荐的，她最初的想法很朴素：就是想系统学一些统计和建模的知识，看看数据科学到底能和自己的专业擦出什么火花。真正打动她的，是项目的“交叉属性”。

“它不是纯讲机器学习算法的那种课，而是聚焦商业业务场景。比如我们最后做的银行客户流失预测，就是机器学习在商业里非常经典的一个应用。这种‘技术 + 业务’的交叉性，是最吸引我的。”

关于这个课题，栗同学有过担忧和顾虑。纯英文授课倒还好，她的英语基础不错，加上线上课堂配备的实时翻译功能，听不懂的地方可以看文字辅助理解。真正让她心里没底的，是代码。

不过事实证明，这份担心有些多余。教授从最基础的内容讲起，RA的答疑环节也很有针对性，正式进入学习后，栗同学觉得“掌握这些工具其实也没有很难”。

与此同时这位南加州大学马歇尔商学院的数据科学教授，本身就是一个“跨界”的先锋——他拥有能源与环境工程博士、生物医学工程博士，还有MBA 学位，研究方向横跨工程、医学与商业。

C.A.教授课堂

C.A.教授还说，“我深刻地相信，只有在经历了各种事情后，你才能真正知道自己想做什么。你需要尝试。”对栗同学来说，加入这个课题就像是一次 “好奇心实验”—— 她不知道自己能不能做好，也不确定这会不会对未来有帮助，但她想试试。

从听课到真正动手做课题研究，是两种完全不同的体验。

线上课程阶段，教授从零讲起——分类与回归、决策树、随机森林，再到XGBoost、LightGBM、CatBoost这些集成学习算法，把机器学习的基础框架系统地过了一遍。栗同学说，“我们选择的课题最后是用了十一种模型去预测银行客户的流失率，课上讲过的模型，在最后的论文中全覆盖到了。”

栗同学所在的小组研究聚焦两个核心问题：

• 第一，LightGBM、XGBoost这些集成模型，比起逻辑回归、决策树等传统模型，在预测客户流失上，召回率和准确率到底高多少？

• 第二，不同的数据划分比例（7:3、8:2、9:1），以及过采样、欠采样这些数据处理方法，会如何影响模型表现？

栗同学在小组里主要负责树模型部分。对会计专业的她来说，从数据清洗到参数调优，几乎每一步都是新的尝试。

这时候，教授和助教的“分层指导”就体现出价值了：教授把握大方向，建议他们用SMOTE来处理数据不平衡问题；助教则负责解决具体的代码细节，还会帮他们检查实验结果是否合理、给论文写作提建议。

栗同学生活照

C.A.教授的风格也让她印象深刻。“他不是那种很严肃的教授，课堂氛围挺chill的。理论讲得多，但到了课题阶段，会针对每个组的情况补充实操内容，理论和应用都能覆盖到。”教授还会给每个阶段定好详细的deadline，从文献综述到建模再到论文撰写，一步步推着大家往前走。

这大概就是真实科研的样子——没有电影里那么酷炫，更多的是等待、调试、再等待的循环。但当十一种模型的结果全部跑出来，当看到集成模型确实在召回率上显著优于传统模型，那种实打实的成就感，是什么都换不来的。

申请季，栗同学拿到了许多名校offer，包括康奈尔、杜克、JHU、南加大、UCL等学校。最终，她决定去康奈尔大学读管理学硕士（会计方向）。

图源康奈尔大学官网

“这段科研经历对申请很有帮助。因为我本身是会计专业，我的实习其实跟BA、信管都不相关，但我有这段跟科研有关的成果。面试的时候，招生官也确实问到了这段经历，会具体问我在这个课题中做了什么。”

栗同学说，最大的收获其实有两个层面。

一是知识与技能——从零开始系统学习机器学习，掌握十一种模型的应用，学会数据清洗、特征工程、模型调参，这些都是实打实的硬技能。和她之前参加的经济类实证科研不同，这个项目有完整的 ”课程+研究“流程，对跨专业的人特别友好。

二是团队协作——”我之前没有跟其他人一起做过科研课题，并在最后拿到学术上的产出。这种跨专业、线上协作的经历，对今后个人发展也是有益的。“

栗同学的康奈尔大学录取Offer

会计学训练出来的思维，是精确的、严谨的、讲究凭证与逻辑的。而机器学习的思维，是概率的、迭代的、讲究优化与权衡的。当这两种思维碰撞在一起，栗同学在看问题时就多了一个维度——当别人只看到财务报表上的数字，她会想：这些数据能不能用来预测什么？能不能用模型挖掘出更深层的规律？

这段机器学习的科研经历，也成为她区别于其他会计学生的独特标签。在数据驱动决策的时代，懂会计又懂数据科学的人，永远有自己的位置。

采访最后，我们问她对还在犹豫的学弟学妹有什么建议。她想了想说：

很实在的回答，就像她这个人一样——细心、踏实、逻辑性强，不怎么说漂亮话，但每一句都有分量。