Tag: module-m2
-
【AI 核心深度 M2-100】解释 AIC、BIC 与调整 R²，以及它们与交叉验证的关系（AIC, BIC, and Adjusted R-squared: Penalized Metrics vs Cross-Validation）深度数理推导与工程落地解析
信息准则 = 拟合优度 − 复杂度惩罚；AIC/BIC 用解析惩罚近似 CV，BIC 惩罚更强且有一致性。
-
【AI 核心深度 M2-101】解释学习曲线与验证曲线，以及各自的诊断用途（Learning Curves vs Validation Curves: Formulations and Diagnostic Workflows）深度数理推导与工程落地解析
学习曲线：性能随训练集大小变化（诊断数据量是否足够）；验证曲线：性能随超参变化（诊断超参取值）。
-
【AI 核心深度 M2-102】解释模型集成如何影响偏差与方差（How Model Ensembling Impacts Bias and Variance）深度数理推导与工程落地解析
平均降方差（Bagging）；串行纠错降偏差（Boosting）；Stacking 可同时降两者但需防泄漏。
-
【AI 核心深度 M2-103】在什么情况下增加数据无法改善性能？（When Does Adding More Data Fail to Improve Model Performance?）深度数理推导与工程落地解析
高偏差（模型族无法表达真函数）、噪声主导（不可约误差大）、分布偏移、标签质量差。
-
【AI 核心深度 M2-104】解释“没有免费午餐”定理与归纳偏置的含义（The ‘No Free Lunch’ Theorem and Inductive Bias Explained）深度数理推导与工程落地解析
不存在对所有问题都最优的算法；任何算法的优势都来自对特定问题结构的假设（归纳偏置）。
-
【AI 核心深度 M2-105】解释 AdaBoost 的算法与它的损失函数（The AdaBoost Algorithm and Its Exponential Loss Function）深度数理推导与工程落地解析
串行训练弱分类器，按错误率调整样本权重与分类器权重；等价于最小化指数损失。
-
【AI 核心深度 M2-106】比较模型融合的三种策略：简单平均、加权平均与 Stacking（Comparing Model Ensembling Strategies: Simple Average, Weighted Average, and Stacking）深度数理推导与工程落地解析
简单平均无参数最稳；加权平均需学权重（易过拟合）；Stacking 学组合函数（最灵活但需防泄漏）。
-
【AI 核心深度 M2-107】解释 GBDT 如何支持自定义损失函数（How GBDT Supports Custom Loss Functions via First and Second Order Gradients）深度数理推导与工程落地解析
只需损失一阶可导，每轮用树拟合负梯度；二阶方法（XGBoost）还需二阶导。
-
【AI 核心深度 M2-108】解释 GBDT 的单调性约束与它的业务价值（Monotonicity Constraints in GBDT and Their Industrial Business Value）深度数理推导与工程落地解析
强制模型对指定特征的响应单调；牺牲少量精度换取可解释性与合规性。
-
【AI 核心深度 M2-109】解释 GBDT 处理类别不平衡的方法与它们的差异（Methods for Handling Class Imbalance in GBDT and Their Trade-offs）深度数理推导与工程落地解析
scale_pos_weight 调正类权重、采样、或自定义损失（Focal）；本质都是调整损失权重。