SmartML：面向表格数据的公平可复现机器学习基准测试框架

SmartML是一个专注于CPU环境的表格数据机器学习基准测试库，通过严格防止数据泄露和提供诚实的模型对比机制，帮助研究者和开发者获得真正可靠的模型性能评估。

表格数据（Tabular Data）是工业界最常见的数据形态，从金融风控到医疗诊断，从电商推荐到供应链优化，几乎所有行业都依赖结构化数据进行决策。然而，在评估表格数据上的机器学习模型时，研究者常常面临以下挑战：

• 数据泄露问题：训练集和测试集之间的信息交叉会虚高模型性能指标
• 对比不公平：不同模型使用不同的预处理流程或超参数搜索策略，导致结果不可比
• 复现困难：缺乏标准化的实验流程，他人难以验证已有结果
• 硬件依赖：许多基准测试默认使用GPU，忽略了CPU环境的实际需求

SmartML的设计初衷就是消除这些障碍，建立一个真正公平、透明、可复现的评估体系。

与许多深度学习框架不同，SmartML明确将CPU作为首选执行环境。这一选择并非技术倒退，而是基于现实考量：

• 表格数据的传统机器学习算法（如XGBoost、LightGBM、Random Forest）在CPU上运行效率极高
• 企业生产环境中，CPU资源远比GPU更加普及和易获取
• 降低了基准测试的硬件门槛，让更多研究者和开发者能够参与

数据泄露是机器学习实验中最隐蔽也最致命的错误之一。SmartML通过严格的数据处理流程确保：

• 交叉验证的每一折都严格隔离训练集和验证集
• 所有特征工程操作都在训练集上拟合，然后应用到验证集
• 预处理流程（如归一化、编码）不会窥见测试数据分布

这种严格的隔离机制确保了评估结果的真实性和可靠性。

SmartML坚持在同一基准条件下对比不同模型：

• 统一的数据预处理流程
• 相同的交叉验证策略
• 公平的超参数搜索预算
• 一致的评估指标计算方式

只有在这种控制变量的前提下，模型之间的性能差异才真正具有统计学意义。

SmartML的架构设计体现了模块化和可扩展性的原则。核心组件包括：

负责数据的加载、清洗、预处理和分割。该模块实现了多种数据类型（数值型、类别型、时间型）的自动识别和处理，同时支持缺失值填充、异常值检测等常见操作。

维护一个可扩展的模型库，涵盖从传统机器学习到现代集成方法的广泛算法：

• 线性模型：Logistic Regression、Ridge、Lasso
• 树模型：Decision Tree、Random Forest、Extra Trees
• 梯度提升：XGBoost、LightGBM、CatBoost
• 支持向量机：SVM、LinearSVC
• 神经网络：MLPClassifier、TabNet（可选）