Tag: module-m2
-
【AI 核心深度 M2-087】比较网格搜索、随机搜索与贝叶斯优化（Comparing Grid Search, Random Search, and Bayesian Optimization）深度数理推导与工程落地解析
网格穷举但指数爆炸；随机搜索在高维更高效；贝叶斯优化用代理模型指导采样。
-
【AI 核心深度 M2-088】什么是超参的重要度排序？如何高效调参（Hyperparameter Importance Hierarchy and Efficient Tuning Strategies）深度数理推导与工程落地解析
用 fANOVA/消融估计各超参对性能的贡献，优先调重要超参（学习率、正则、深度）。
-
【AI 核心深度 M2-089】如何处理调参中的随机性（种子方差）？（Handling Randomness and Seed Variance in Hyperparameter Tuning）深度数理推导与工程落地解析
多次随机种子重复评估，报告均值与标准差；用配对检验比较模型。
-
【AI 核心深度 M2-090】线上评估与离线评估为什么会不一致？如何缩小差距（Why Offline and Online Evaluations Diverge: Causes and Mitigation Strategies）深度数理推导与工程落地解析
离线数据分布、指标代理、反馈回路、延迟效应都与线上不同；需回放评估、反事实评估与在线小流量验证。
-
【AI 核心深度 M2-091】在神经网络中如何评估特征重要性？与树模型的方法有何不同？（Evaluating Feature Importance in Neural Networks vs Tree Models）深度数理推导与工程落地解析
用梯度/输入×梯度、置换、消融、或注意力/门控；比树模型更贵且更不稳定，需多种子重复。
-
【AI 核心深度 M2-092】解释加权最小二乘（WLS）与它处理异方差的方式（Weighted Least Squares (WLS) and Handling Heteroscedasticity）深度数理推导与工程落地解析
给每个样本乘权重再最小化加权残差平方和；权重取方差的倒数时达到最小方差。
-
【AI 核心深度 M2-069】解释多重共线性下的特征选择策略（Feature Selection Strategies Under Severe Multicollinearity）深度数理推导与工程落地解析
共线特征可任选其一或用正则（L2/EN）保留组信息；不宜按 p 值逐个删。
-
【AI 核心深度 M2-070】如何评估特征选择的效果？需要注意什么（How to Evaluate Feature Selection Effectiveness? Key Considerations and Validation）深度数理推导与工程落地解析
用嵌套 CV 评估，避免在同一份数据上选择又评估；关注性能-特征数权衡与稳定性。
-
【AI 核心深度 M2-071】处理类别不平衡的主要方法有哪些？（Major Approaches for Handling Class Imbalance）深度数理推导与工程落地解析
重采样（过/欠采样）、代价敏感、阈值调整、集成、异常检测视角。
-
【AI 核心深度 M2-072】SMOTE 的原理是什么？有什么风险（SMOTE Algorithm: Core Mechanism, Theoretical Risks, and Limitations）深度数理推导与工程落地解析
在少数类近邻之间线性插值生成合成样本；风险是噪声放大、类别重叠区生成错误样本。