Tag: module-m2
-
【AI 核心深度 M2-031】什么是 Stacking？它与 Blending 的区别是什么。（Define Stacking vs. Blending in Heterogeneous Ensembles and Compare Their Information Leakage Safeguards）深度数理推导与工程落地解析
Stacking 用元学习器组合基模型输出（交叉验证生成元特征）；Blending 用固定留出集，简单但数据利用低。
-
【AI 核心深度 M2-032】解释 GBDT 的核心思想：为什么是’拟合负梯度’。（Explain the Core Concept of GBDT: Why Sequential Trees Fit the Negative Gradient）深度数理推导与工程落地解析
每轮拟合当前模型损失函数的负梯度（伪残差），等价于在函数空间做梯度下降。
-
【AI 核心深度 M2-012】正则化系数 λ 如何选择？过大过小分别会怎样。（Explain Hyperparameter Selection for Regularization Strength Lambda and Diagnostic Extremes）深度数理推导与工程落地解析
用交叉验证选择；λ 过大 → 欠拟合（高偏差），过小 → 过拟合（高方差）。
-
【AI 核心深度 M2-013】Dropout 为什么能起到正则化作用？给出两种解释。（Explain Why Dropout Acts as a Regularizer Through Ensemble and Feature Noise Perspectives）深度数理推导与工程落地解析
① 集成视角：等价于指数级子网络的 bagging；② 破坏共适应，迫使特征独立有用。
-
【AI 核心深度 M2-014】BatchNorm 为什么也有正则化效果？它和 Dropout 能一起用吗。（Explain the Regularization Effect of Batch Normalization and the Disharmony When Combined with Dropout）深度数理推导与工程落地解析
BN 引入 mini-batch 统计噪声，起轻微正则作用；但与 Dropout 同用会互相干扰（方差偏移）。
-
【AI 核心深度 M2-015】解释早停（early stopping）为什么等价于某种正则化。（Explain Why Early Stopping is Mathematically Equivalent to L2 Regularization）深度数理推导与工程落地解析
限制参数从初始点出发的’有效搜索半径’，与 L2 约束的可行域类似。
-
【AI 核心深度 M2-017】如何用学习曲线诊断高偏差与高方差？（Detail How to Diagnose High Bias vs. High Variance Using Learning Curves and Remediation Strategies）深度数理推导与工程落地解析
训练与验证误差都高且接近 → 高偏差；训练低、验证高且差距大 → 高方差。