修改--修改文档

doc/典型示例新版.md

@@ -106,6 +106,59 @@ NASA Turbofan Engine Degradation Simulation数据集（通常称为C-MAPSS数据
 - R²值为0.445表示模型仅能解释目标变量约44.5%的变异性
 - 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**
+```json
+{
+  "status": "success",
+  "methods": [
+    {
+      "name": "GridSearchCV",
+      "description": "网格搜索交叉验证，通过穷举搜索指定参数网格中的所有可能组合，找到最优参数。",
+    },
+    {
+      "name": "RandomizedSearchCV",
+      "description": "随机搜索交叉验证，从指定的分布中随机采样参数组合进行评估，而非穷举所有可能。",
+    },
+    {
+      "name": "BayesianOptimization",
+      "description": "贝叶斯优化，基于先验观测构建代理模型（通常是高斯过程），指导后续参数搜索方向。",
+    },
+    {
+      "name": "HyperOpt",
+      "description": "基于贝叶斯优化和树结构Parzen估计器（TPE）的超参数优化库，支持复杂搜索空间定义。",
+    },
+    {
+      "name": "Optuna",
+      "description": "现代超参数优化框架，结合多种采样算法和修剪机制，高效搜索最优参数。",
+    },
+    {
+      "name": "BOHB",
+      "description": "结合贝叶斯优化和Hyperband的多保真度优化算法，平衡探索与利用。",
+    },
+    {
+      "name": "GeneticAlgorithm",
+      "description": "基于进化理论的优化算法，通过选择、交叉和变异操作迭代优化参数。",
+    },
+    {
+      "name": "ParticleSwarmOptimization",
+      "description": "基于群体智能的优化算法，模拟鸟群觅食行为，通过粒子间信息共享寻找最优解。",
+    },
+    {
+      "name": "EarlyStopping",
+      "description": "提前停止策略，监控模型在验证集上的性能，当性能不再提升时停止训练，防止过拟合。",
+    },
+    {
+      "name": "LearningRateScheduler",
+      "description": "学习率调度器，根据预定策略或模型性能动态调整优化器的学习率。",
+    },
+    {
+      "name": "ModelCheckpoint",
+      "description": "模型检查点，定期保存训练过程中的模型状态，确保能够恢复最佳模型。",
+    }
+  ]
+}
+```
+
 **参数优化**：
 RandomForestRegressor使用GridSearchCV进行超参数调优，探索以下参数组合（共1296种组合）：
 
@@ -119,6 +172,39 @@ RandomForestRegressor使用GridSearchCV进行超参数调优，探索以下参
 | bootstrap | true, false |
 | criterion | "squared_error", "absolute_error" |
 
+**计算机配置**
+- CPU: 12th Gen Intel(R) Core(TM) i5-12600KF
+- 内存: 32G ddr4 3200
+- GPU:  NVIDIA GeForce RTX 3060 12G
+
+
+**优化结果**:
+- 共计1296种优化组合,每种组合耗时越30s,共耗时越11小时.随着搜索项数的增多,模型优化的时间成倍数增长.建议只在网格数较少时使用网格搜索.
+```json
+{
+  "metrics": {
+    "mae": 34.21,
+    "mse": 2156.74,
+    "rmse": 46.44,
+    "r2": 0.633,
+    "explained_variance": 0.445
+  }
+}
+```
+**最优参数**
+```json
+{
+  "n_estimators": 200,
+  "max_depth": 20,
+  "min_samples_split": 5,
+  "max_depth": 15,
+  "min_samples_leaf": 20,
+  "max_features": "sqrt",
+  "bootstrap": true,
+  "criterion": "squared_error"
+}
+```
+
 #### 1.3.3 其他回归模型
 
 同样的方法也应用于XGBRegressor、LGBMRegressor和AdaBoostRegressor模型训练与优化。
@@ -127,12 +213,12 @@ RandomForestRegressor使用GridSearchCV进行超参数调优，探索以下参
 
 下表展示了四种模型在涡扇发动机剩余寿命预测任务上的性能：
 
-| 模型 | MAE | MSE | RMSE | R² | 训练时间(s) |
+| 模型 | MAE | MSE | RMSE | R² | 训练时间(一次, s) |
 |------|-----|-----|------|---|------------|
-| RandomForestRegressor | 34.21 | 2156.74 | 46.44 | 0.63 | 15.3 |
-| XGBRegressor | 31.84 | 1836.25 | 42.85 | 0.68 | 24.6 |
-| LGBMRegressor | 30.56 | 1783.42 | 42.23 | 0.69 | 18.2 |
-| AdaBoostRegressor | 42.78 | 3125.67 | 55.91 | 0.47 | 11.4 |
+| RandomForestRegressor | 34.21 | 2156.74 | 46.44 | 0.63 | 30 |
+| XGBRegressor | 31.84 | 1836.25 | 42.85 | 0.68 | 54.6 |
+| LGBMRegressor | 30.56 | 1783.42 | 42.23 | 0.69 | 158.2 |
+| AdaBoostRegressor | 42.78 | 3125.67 | 55.91 | 0.47 | 111.4 |
 
 **综合分析**：
 - LGBMRegressor模型在本任务中表现最佳，R²达到0.69，RMSE为42.23