高阶版数据分析模型选型对比提示词

角色定义与任务定位
请以“数据分析架构师”或“技术方案决策者”的身份，运用本提示词方案。您的核心目标是：为特定的业务问题或技术需求，系统性地生成一份直观、专业、信息密度高的“高阶数据分析模型对比图”，以辅助技术选型、团队沟通或项目方案评审。
适用场景

为机器学习平台或数据产品选择核心预测/分类模型。
在项目启动会上，向非技术背景的干系人解释不同复杂模型的优劣。
编写技术文档或内部知识库，建立模型选型的标准参考框架。
为新团队成员提供一份关于高级模型（如集成学习、深度学习模型）的快速上手指南。

核心提示词
可直接用于图像生成或图表设计的核心提示词组合：

“专业信息图表，对比随机森林、梯度提升机(GBM)与XGBoost模型，在准确性、训练速度、可解释性、过拟合风险四个维度的雷达图，科技蓝与深灰色调，极简主义设计。”
“可视化对比分析图，左侧为深度学习模型（CNN、RNN、Transformer），右侧为传统机器学习模型，通过流程图形式展示其各自适用的输入数据类型（图像、序列、表格）和典型输出，背景是干净的网格线。”
“3D立体架构对比图，展示集成学习模型（Bagging vs Boosting vs Stacking）的核心原理与数据流差异，使用透明材质和连接线，充满未来感与科技感。”

风格方向

专业极简风：使用清晰的线条、几何形状、统一的色块（推荐科技蓝、深灰、活力橙的搭配），强调信息的秩序与对比。
学术海报风：模仿顶级学术会议海报的布局，包含清晰的标题、分栏、图标化指标（如CPU、内存图标）和简要的文字批注。
未来科技感：引入低多边形建模、发光线条、半透明数据流、深色背景，突出模型的技术先进性与复杂度。

构图建议

并列对比式：将3-4个候选模型并排排列，每个模型下方或侧方用相同的指标维度（如精度、速度、成本、复杂度）进行柱状图或星级评分。
中心辐射式：将待解决的“业务问题”置于画面中心，向外辐射出不同模型路径，每条路径上标注该模型解决此问题的优势与限制条件。
流程决策式：采用流程图或决策树形式，根据“数据量大小”、“特征类型”、“是否需要可解释性”等条件分支，引导观众走向最终的推荐模型。

细节强化

指标可视化：将抽象指标转化为视觉元素，例如用齿轮大小表示“计算复杂度”，用闪电图标表示“训练速度”，用放大镜图标表示“可解释性”。
色彩编码：为不同类别的模型（如树模型、神经网络、统计模型）分配主色系，并在全图中保持一致，便于快速识别。
关键数据标注：在图表的关键位置，以醒目但不突兀的方式标注核心数据，如“AUC: 0.95”、“训练耗时: 2.1小时”。
材质与光影：在科技感风格中，为模型图标或数据块添加轻微的金属光泽、玻璃质感或柔和的内发光，提升质感与层次。

使用建议

在使用本提示词生成图像前，请先明确您需要对比的具体模型名称（如LightGBM vs CatBoost）和最关键的评价维度（不超过5个）。
将“核心提示词”部分的内容直接输入AI绘画工具或信息图设计软件，作为生成指令的核心部分。
可根据您的实际需求，在提示词中替换或增加具体的模型名、评估指标、公司品牌色或特定的应用场景（如“用于金融风控的模型对比”）。
生成的视觉图表应配合简短的文字说明一同使用，形成完整的“一图读懂”式交付物，直接嵌入报告或演示文稿。