Tag: module-m2
-
【AI 核心深度 M2-035】CatBoost 解决了什么问题？什么是 ordered boosting。（Explain Prediction Shift in GBDT and How CatBoost Resolves It via Ordered Boosting and Target Statistics）深度数理推导与工程落地解析
解决目标编码的泄漏与预测偏移；ordered boosting 用有序排列生成无偏的梯度估计。
-
【AI 核心深度 M2-039】比较 RBF 核、多项式核与线性核的适用场景。（Compare Linear, Polynomial, and RBF Kernels and Their Decision Boundaries）深度数理推导与工程落地解析
线性核高维稀疏快；RBF 适合中小规模非线性；多项式核可建模特征交互但参数敏感。
-
【AI 核心深度 M2-040】SVM 对类别不平衡与噪声标签敏感吗？如何缓解。（Assess the Sensitivity of SVM to Class Imbalance and Label Noise and Industrial Mitigations）深度数理推导与工程落地解析
敏感：少数类支持向量少、噪声点被当作支持向量。缓解：类权重、软间隔、清理噪声。
-
【AI 核心深度 M2-027】比较 Bagging 与 Boosting 的核心差异。（Compare the Core Theoretical and Architectural Differences Between Bagging and Boosting）深度数理推导与工程落地解析
Bagging 并行训练独立模型降方差；Boosting 串行拟合残差降偏差。
-
【AI 核心深度 M2-028】随机森林的两个随机性来源是什么？各自作用。（Explain the Two Sources of Randomness in Random Forests and How They Decorrelate Trees）深度数理推导与工程落地解析
行采样（bootstrap）+ 特征子采样；前者降方差，后者降低树间相关性。
-
【AI 核心深度 M2-029】如何得到随机森林的特征重要度？它有什么缺陷。（Detail Mean Decrease Impurity (MDI) vs. Permutation Importance (MDA) in Random Forests and Their Known Biases）深度数理推导与工程落地解析
基于不纯度下降（MDI）或置换重要度（permutation）；MDI 偏向高基数特征且受相关特征稀释。