# 赛题背景
脉冲星（Pulsar）是一种高度磁化的旋转中子星，它们在旋转时会从磁极发射出电磁辐射束。只有当这些光束指向地球时，我们才能探测到它们，就像灯塔的信号一样。

在现代射电天文学中，探测脉冲星面临的最大挑战是**信号干扰**。射电望远镜收集的海量数据中，绝大部分是无线电频率干扰（RFI）产生的噪声，只有极少数是真实的脉冲星信号。本赛题基于经典的 **HTRU2** 巡天数据集，要求同学们利用机器学习方法，从候选信号中自动筛选出真实的脉冲星。

# 任务描述
这是一个典型的**二分类（Binary Classification）**任务，同时也是一个**类别极度不平衡（Class Imbalance）**的问题。
你的任务是根据信号的统计特征，判断该样本是真实的脉冲星（Target=1）还是噪声（Target=0）。

# 核心考点与建议
由于正负样本比例悬殊（正样本占比极低），传统的准确率（Accuracy）指标会失效（全猜 0 也能得到很高的准确率）。因此，本题重点考察**不平衡数据的处理能力**。

建议尝试以下方向：
1.  **数据预处理**：
    - **标准化/归一化**：SVM 等距离敏感模型对特征尺度非常敏感，务必进行 StandardScaler 或 MinMaxScaler。
    - **不平衡处理**：尝试 **SMOTE** (Synthetic Minority Over-sampling Technique) 过采样，或使用欠采样（Under-sampling）。
2.  **模型算法**：
    - 重点考察 **支持向量机 (SVM)**。
    - 调节 `class_weight` 参数（如 `balanced`）来增加模型对少数类的关注。
    - 尝试不同的核函数（RBF, Polynomial）及超参数 ($C$, $\gamma$) 的网格搜索。

# 数据集说明
为了考察纯粹的算法能力，原始数据的物理特征名称已进行脱敏处理：

* **V1 - V8**: 8 个连续数值特征。
    - 这些特征实际上是**积分轮廓（Integrated Profile）**和**DM-SNR曲线**的统计量（均值、标准差、偏度、峰度）。
* **target**: 预测目标。
    - `0`: 噪声 (RFI / Noise)
    - `1`: 脉冲星 (Pulsar)