Tag: module-m2
-
【AI 核心深度 M2-112】解释目标编码的交叉拟合实现细节与平滑公式（Target Encoding Implementation Details: Out-of-Fold Cross-Fitting and Smoothing）深度数理推导与工程落地解析
K 折内用其他折的标签均值编码本折；平滑向全局均值收缩，尤其保护低频类别。
-
【AI 核心深度 M2-113】比较文本特征的 TF-IDF 与嵌入表示，以及它们的取舍（Text Features: Comparing TF-IDF and Dense Embedding Representations）深度数理推导与工程落地解析
TF-IDF 稀疏可解释、无需训练；嵌入稠密语义强、需预训练且维度低。
-
【AI 核心深度 M2-114】解释 EasyEnsemble 与 BalanceCascade 等不平衡集成方法（Imbalanced Ensembling: EasyEnsemble and BalanceCascade Explained）深度数理推导与工程落地解析
用多个欠采样子集训练多个模型后集成；避免欠采样丢信息，也避免过采样过拟合。
-
【AI 核心深度 M2-115】解释不平衡场景下的监控与上线后评估要点（Post-Deployment Monitoring and Evaluation Under Severe Class Imbalance）深度数理推导与工程落地解析
监控正类比例漂移、分群性能、校准质量与业务指标；不平衡使离线指标易失真。
-
【AI 核心深度 M2-116】解释 MICE（多重插补链式方程）的迭代过程与实现要点（MICE (Multiple Imputation by Chained Equations): Iterative Process and Key Details）深度数理推导与工程落地解析
对每个缺失特征用其他特征回归预测，循环迭代；每次抽取多个候选值生成 M 个完整数据集。
-
【AI 核心深度 M2-117】解释时间序列与面板数据中的泄漏防范要点（Preventing Data Leakage in Time Series and Panel Data: Critical Safeguards）深度数理推导与工程落地解析
严格时间切分、滚动特征右开区间、按实体分组、避免全量统计量；泄漏最隐蔽也最致命。
-
【AI 核心深度 M2-118】解释多指标权衡与综合指标（OEC）的设计（Multi-Metric Trade-offs and Designing an Overall Evaluation Criterion (OEC)）深度数理推导与工程落地解析
单一综合指标（OEC）便于决策但会掩盖局部；需配合护栏指标与分层分析。
-
【AI 核心深度 M2-119】解释超参调优的自动化工具与实践流程（Automated Hyperparameter Optimization Tools and Industrial Best-Practice Workflows）深度数理推导与工程落地解析
Optuna/Ray Tune 提供 TPE、Hyperband、ASHA 等算法；流程是分阶段（粗筛→精调）并按重要度排序。
-
【AI 核心深度 M2-098】解释谱范数正则化与 Lipschitz 约束的关系（Spectral Norm Regularization and Lipschitz Continuity Constraints）深度数理推导与工程落地解析
谱范数 = 层的 Lipschitz 常数；约束谱范数即约束输出对输入的敏感度。
-
【AI 核心深度 M2-099】解释随机深度（Stochastic Depth / DropPath）与它与 Dropout 的差异（Stochastic Depth (DropPath) vs Standard Dropout: Mechanisms and Differences）深度数理推导与工程落地解析
训练时随机丢弃整个残差分支；推理时按概率缩放，与 BN 兼容性优于 dropout。