修改--修改文档

doc/典型示例新版.md

@@ -15,8 +15,8 @@ NASA Turbofan Engine Degradation Simulation数据集（通常称为C-MAPSS数据
 
 #### 1.1.2 数据集解析
 
-- `train_FD001.txt`：不同时刻采集的特征数据，包括21个传感器通道（部分可能被噪声污染或冗余）和3个操作变量（飞行高度、马赫数等）
-- `RUL_FD001.txt`：每个发动机在经过一段时间运转后的剩余寿命
+- `train_FD00x.txt`：不同时刻采集的特征数据，包括21个传感器通道（部分可能被噪声污染或冗余）和3个操作变量（飞行高度、马赫数等）
+- `RUL_FD00x.txt`：每个发动机在经过一段时间运转后的剩余寿命
 
 **数据示例**：
 
@@ -68,7 +68,7 @@ NASA Turbofan Engine Degradation Simulation数据集（通常称为C-MAPSS数据
 
 #### 1.3.1 算法选择
 
-剩余寿命预测属于回归任务，我们的平台共存在以下可选的方法：
+剩余寿命预测属于回归任务，平台存在以下可选的方法：
 ```json
 {
   "method": [
@@ -88,7 +88,7 @@ NASA Turbofan Engine Degradation Simulation数据集（通常称为C-MAPSS数据
   ]
 }
 ```
-现实中,结果(寿命)和特征(传感器数据)一般不是简单的线性关系.所以,我们采用以下四种适用于非线性数据的回归方法.
+在工业设备健康预测的实际应用场景中，目标变量（设备剩余寿命）与特征空间（多源传感器时序数据）之间普遍存在显著的非线性动力学特征。传统线性回归模型难以有效表征此类复杂系统的退化轨迹，因此我们选取了以下四类基于不同数学建模思想的非线性回归方法进行实验：
 
 - RandomForestRegressor
 - XGBRegressor
@@ -128,7 +128,7 @@ NASA Turbofan Engine Degradation Simulation数据集（通常称为C-MAPSS数据
 - 超过55%的变异性未被模型捕获，说明初始模型拟合效果不佳
 
 **模型优化方法**
-- 实际过程中,我们往往需要调整参数进行多次实验,才能得到更好的结果.每次手动调整参数太过繁琐,平台提供了自动优化方法.只要事先指定参数搜索范围和评价指标,平台会自动搜索最优模型并保存最优参数.以下是实现的模型优化方法.
+- 在机器学习模型研发实践中，为获得最优性能表现，通常需要反复调整模型参数进行多轮实验验证。传统的手动调参方式存在效率低下、可复现性差等局限性，为此本平台集成了智能化的自动调参模块。使用者只需预先定义超参数搜索空间和性能评估指标，系统即可通过贝叶斯优化、网格搜索等智能算法，在保证计算效率的前提下自动探索最优参数组合。
 ```json
 {
   "status": "success",
@@ -182,7 +182,7 @@ NASA Turbofan Engine Degradation Simulation数据集（通常称为C-MAPSS数据
 ```
 
 **参数优化**：
-GridSearchCV 会穷举我们设定的每一种组合,来寻找最优模型.我们的参数可选值如下所示.共需要探索3x4x3x3x3x2x2=1296参数组合.
+在超参数优化领域，GridSearchCV采用穷举遍历策略系统性地探索预设的超参数空间。本研究构建的七维参数网格包含：估计树数量（3阶）、树最大深度（4阶）、最小切分样本数（3阶）、最小样本叶子树（3阶）、特征计算方法（3阶）、bootstrap（2阶）评价标准（2阶），其笛卡尔积空间规模为3×4×3×3×3×2×2=1296种组合。尽管该算法具有O(n^k)计算复杂度，但其网格遍历特性可确保获得全局最优解，相较于随机搜索和贝叶斯优化具有更强的结果确定性。
 
 | 参数名称 | 可选值 |
 |----------|--------|