Tag: module-m2
-
【AI 核心深度 M2-110】解释 GBDT 的早停与最优迭代数的确定（Early Stopping in GBDT and Determining the Optimal Number of Iterations）深度数理推导与工程落地解析
用验证集监控，在指标不再改善时停止；早停同时是正则化与效率优化。
-
【AI 核心深度 M2-111】解释 GBDT 的特征重要度与 SHAP 值的差异（Differences Between GBDT Built-in Feature Importance and TreeSHAP Values）深度数理推导与工程落地解析
MDI 基于不纯度下降（快但偏向高基数）；SHAP 基于博弈论（一致、逐样本，但计算贵）。
-
【AI 核心深度 M2-093】解释回归中的交互项与多项式项，以及如何避免过拟合（Interaction and Polynomial Terms in Regression: Formulations and Regularization）深度数理推导与工程落地解析
交互项捕捉’一个特征的效应依赖另一特征’；多项式项捕捉非线性；需标准化与正则化。
-
【AI 核心深度 M2-094】解释多项逻辑回归（softmax 回归）与它的参数辨识性问题（Multinomial Logistic Regression (Softmax Regression) and Parameter Identifiability）深度数理推导与工程落地解析
用 softmax 输出 K 类概率；K 组参数不可唯一辨识，需固定参照类或加约束。
-
【AI 核心深度 M2-095】解释逻辑回归与最大熵模型的关系（Relationship Between Logistic Regression and the Maximum Entropy Model）深度数理推导与工程落地解析
在给定特征期望约束下，最大熵解的形式恰是逻辑回归；两者是同一模型的不同推导路径。
-
【AI 核心深度 M2-096】解释 L1 与 L2 正则化的贝叶斯解释（Bayesian Interpretation of L1 and L2 Regularization）深度数理推导与工程落地解析
L2 = 高斯先验下的 MAP；L1 = Laplace 先验下的 MAP；正则强度 = 先验方差的倒数。
-
【AI 核心深度 M2-097】解释权重衰减在 Adam 中为什么要解耦（AdamW）（Why Weight Decay Must Be Decoupled in Adam (AdamW)）深度数理推导与工程落地解析
耦合时衰减被自适应学习率扭曲；解耦后衰减与学习率独立，正则效果更可预测。
-
【AI 核心深度 M2-084】温度缩放（temperature scaling）如何校准深度网络？（Temperature Scaling for Calibrating Deep Neural Networks）深度数理推导与工程落地解析
在 logits 上除以温度 T，用验证集拟合 T；不改预测类别，只调整置信度。
-
【AI 核心深度 M2-085】校准在哪些场景至关重要？举两个例子（Scenarios Where Calibration is Critical: Core Use Cases and Concrete Examples）深度数理推导与工程落地解析
概率被下游使用时：医疗风险、金融定价、广告出价、级联系统的阈值决策。
-
【AI 核心深度 M2-086】列举分类、回归、排序的常用评估指标（Common Evaluation Metrics for Classification, Regression, and Ranking）深度数理推导与工程落地解析
分类：Accuracy/P/R/F1/AUC/PR-AUC/LogLoss；回归：MSE/MAE/RMSE/R²/分位数损失；排序：NDCG/MRR/MAP/Recall@K。