本文系统总结了分类模型的核心评估指标与工程实践要点。重点解析了准确率在类别不平衡数据中的误导性，提出了基于混淆矩阵的精确率、召回率、F1 Score等更可靠的评估体系。深入探讨了贝叶斯定理与朴素贝叶斯模型的数学原理，强调特征独立性假设的局限性。在特征工程部分，详细讲解了归一化、对数变换等预处理技术，特别指出数据泄露的常见陷阱。最后通过Q&A复盘实战中的关键细节，包括分层抽样、AUC指标和零

摘要： Boosting是一种集成学习方法，通过串联多个弱学习器（如浅层决策树）逐步修正误差，形成强学习器。其核心逻辑是拟合残差，每一轮新树都针对上一轮的误差进行预测，最终累加结果。与随机森林的并行投票不同，Boosting采用串行接力机制，更注重降低偏差。XGBoost作为典型代表，使用回归树输出分数而非类别，并通过梯度下降和正则化优化模型。调参关键包括树的数量（n_estimators）、学习

通常我们认为：训练集表现好 + 测试集表现差 = 过拟合但这只是表象。从信息论模型把数据中的“噪音（Noise）”误读成了“信号（Signal）”。比如，训练数据里有一条记录：“2月14日，某用户买了巧克力”。真实规律（Signal）：情人节大家爱买巧克力。噪音（Noise）：该用户当天穿了红袜子。过拟合的模型：学会了“穿红袜子的人会买巧克力”。树模型——从简单的if-else决策树，到集众智的随

摘要：本文系统梳理了因果推断的方法论体系，从基础理论到工业应用。首先通过FWL定理揭示多元回归的正确操作，强调双向正交化的重要性；其次区分因果识别的战略层（如后门准则）与估计的战术层（如IPW、G-Computation）；然后对比结果建模与处理建模两大流派的特点与适用场景；最后推荐工业界首选的双重机器学习（DML）方法，其结合FWL定理与机器学习优势，具有双重稳健性。文章构建了清晰的因果推断决策

摘要： 大模型评测需采用类似AB实验的严谨方法论，分为六个标准化步骤：1）测试需求分析，明确评测目标与维度；2）测试环境准备，确保硬件/软件一致性；3）测试数据构建，注重多样性、去重与专家标注；4）基准测试执行，控制变量并记录全链路日志；5）测试结果评估，结合自动/人工评估与统计分析；6）结果展示，通过可视化与Bad Case分析指导优化。该方法强调工程化闭环，避免主观盲测，确保评测结果可靠且可行

摘要： 本文探讨AB实验中随机化(Randomization)的核心作用及样本比例失衡(SRM)的危害。随机化是确保实验组与对照组同质性的关键，为因果推断构建“平行宇宙”。然而，工业实践中分流错误、数据丢失等问题常导致SRM（如预期50:50，实际40:60），引发严重偏差。例如，策略导致部分用户崩溃且数据未上报，造成“幸存者偏差”，使结果失真。检测SRM需优先通过卡方检验验证样本比例（P<

摘要：本文系统梳理了因果推断的方法论体系，从基础理论到工业应用。首先通过FWL定理揭示多元回归的正确操作，强调双向正交化的重要性；其次区分因果识别的战略层（如后门准则）与估计的战术层（如IPW、G-Computation）；然后对比结果建模与处理建模两大流派的特点与适用场景；最后推荐工业界首选的双重机器学习（DML）方法，其结合FWL定理与机器学习优势，具有双重稳健性。文章构建了清晰的因果推断决策

摘要：本文解析AB实验中的两个关键统计学问题。首先，样本方差计算应使用分母n-1（贝塞尔校正），以消除样本均值导致的低估偏差。其次，比率指标（如CTR）的方差计算需采用Delta Method，通过泰勒展开处理非线性关系，并考虑分子分母的协方差影响。文章强调，百万级样本下n与n-1差异虽小，但代码实现需保持数学严谨；而忽略Delta Method会导致比率指标方差严重误估。这两个方法分别解决了估计

摘要： 大模型评测需采用类似AB实验的严谨方法论，分为六个标准化步骤：1）测试需求分析，明确评测目标与维度；2）测试环境准备，确保硬件/软件一致性；3）测试数据构建，注重多样性、去重与专家标注；4）基准测试执行，控制变量并记录全链路日志；5）测试结果评估，结合自动/人工评估与统计分析；6）结果展示，通过可视化与Bad Case分析指导优化。该方法强调工程化闭环，避免主观盲测，确保评测结果可靠且可行

转自：https://blog.csdn.net/hitwhylz/article/details/23089415概述虽然掌握了 A* 算法的人认为它容易，但是对于初学者来说， A* 算法还是很复杂的。搜索区域(The Search Area)我们假设某人要从 A 点移动到 B 点，但是这两点之间被一堵墙隔开。如图 1 ，绿色是 A ，红色是 B ，中间蓝色是墙。图 ...