以下是一个 **复杂 Mermaid 流程图示例**，展示了一个 **多条件判断的机器学习模型训练流程**，包含分支、循环、并行处理和子流程： ```mermaid flowchart TD A[开始] --> B[加载数据集] B --> C{数据预处理} C -->|缺失值处理| D[填充/删除缺失值] C -->|特征缩放| E[标准化/归一化] C -->|特征编码| F[One-Hot/标签编码] D & E & F --> G[划分训练集/测试集] G --> H{选择模型} H -->|线性模型| I[训练线性回归] H -->|树模型| J[训练随机森林] H -->|神经网络| K[搭建CNN架构] I & J & K --> L[交叉验证] L --> M{验证集性能} M -->|AUC > 0.9| N[保存模型] M -->|AUC ≤ 0.9| O[超参数调优] O --> P[网格搜索/贝叶斯优化] P --> L N --> Q[模型部署] Q --> R{监控反馈} R -->|性能下降| S[重新训练] R -->|运行正常| T[结束] S --> C style A fill:#4CAF50,stroke:#388E3C style T fill:#F44336,stroke:#D32F2F style N fill:#2196F3,stroke:#1976D2 ``` ### 关键复杂度设计： 1. **并行处理**：数据预处理的3个子任务（`D`,`E`,`F`）用`&`符号同步进行 2. **循环结构**：超参数调优（`O→P→L`）形成闭环 3. **嵌套条件**：模型选择（`H`）和验证判断（`M`）双重分支 4. **跨阶段回调**：监控阶段（`R`）可触发重新训练，跳回预处理（`C`） 5. **样式控制**：使用`style`标记关键节点颜色 如果需要更复杂的版本，可以添加： - 数据库交互节点 - 分布式训练分支 - 异常处理子流程