| English | 中文 |
根据研究问题和数据结构选择模型。熟悉的框架只是实现选择的工具，不能代替科学目标和验证设计。
数值结果适合考虑回归；明确类别适合考虑分类，并关注类别频率、正类和不同误判的代价。序列预测还需明确起点、提前量和信息可获得边界。回归设计与预测设计分别展开这些选择。
识别重复实体、空间关系、时间顺序和测量支持范围。独立样本表、站点面板和连续序列需要不同抽样与留出设计。先决定新样本与开发数据可能有何不同，再选择模型类别。
采用可理解的基线和样本能够支持的复杂度。在有意义的比较中保持目标、样本与指标一致，学习型预处理放在训练边界内。开发数据用于选择，冻结留出用于最终评估。
分类需要时检查各类别误差和概率校准，不能只看总体准确率；回归检查目标单位下的误差和残差规律。mlr3 评估说明介绍性能估计与模型比较。
预测解释描述特定数据与参考条件下的模型。因果效应还需识别假设和相应估计方法，实施前通过需求驱动设计明确这种区别。
回归技能实现有界数值预测及声明 PLR 分支；mlr3 说明支持直接使用 R 框架及扩展；TimeXer 说明面向需适配的外部序列模型。依赖、配置和执行状态由各技能维护。