题目核心
根据淘汰结果反推粉丝投票
我们做了
三套模型并行比较
最后推荐
以 percentage 机制为更优方案
我喜欢它，因为它是一个很典型的“逆向问题”
这个题目并不是直接给你完整数据，让你去做回归或者分类。它更像是在告诉你一部分结果，然后问你：那中间 那些看不见的东西，能不能被推回来？
粉丝投票是隐藏的，但每一周谁被淘汰、节目采用的评分规则、评委分数这些信息都在。换句话说，题目给你的 不是答案，而是一组约束。你要做的是在这些约束里，构造出一个足够合理、足够一致，而且可以解释后续现象 的估计体系。
在信息不完整的情况下，依然给出一个有逻辑、有边界、还能落到代码里的答案，这件事本身就很迷人。
我们为什么最后做成了三套模型
一开始我们当然也想过用一种方法直接做完，但越往后做，越发现这个题并不适合用单一路径解决。于是最后， 我们把方案拆成了三类。
第一类是比较直接的优化法，它快、清楚，也很适合跑完整个问题链条；第二类是更偏理论严谨的 Bayesian + MCMC 框架，把“粉丝热度如何随时间变化”也放进模型里；第三类则是混合式的 MAP-Laplace 模型，希望在 严谨和效率之间取得一个平衡。
对我来说，最有意思的不是最后哪一套“更高级”，而是三套方法并排放在一起之后，你会非常清楚地看到每一种 方法的代价和收益。它们不是谁替代谁，而是分别回答了“准确性、效率、解释力”之间怎么取舍的问题。
这次建模真正训练我的，是如何把逻辑压实
美赛很容易让人陷进“模型越多越好”的幻觉里，但这次我更强烈地感受到，模型只是外壳，真正重要的是你有没有 把问题吃透。为什么淘汰结果可以转化成不等式约束？为什么 rank-based 和 percentage-based 会带来完全不同 的信息损失？为什么时间连续性值得被建模？这些问题不想清楚，后面的代码就会变得很空。
我后来很喜欢我们这次的一个状态，就是不是急着往前堆结论，而是会反复追问：这个假设成立吗？这一步是不是 真能解释数据？这套模型到底解决了什么？我觉得这比单纯把程序跑通更重要，因为它训练的是一种思维上的自洽。
如果说这次美赛给我留下了什么，我会说是一种对复杂问题的耐心。它让我更确定，我喜欢那种既要结构、又要解释、 还要把东西真的做出来的工作方式。