数据处理 第2页

让AI筛选需要人工处理的反馈时，既可能把普通反馈误报为问题，也可能漏掉真正的问题。只看一个总体准确率，很难知道下一步应该修正哪类错误。

判断两个浮点结果是否足够接近，需要先定义允许多大的误差。math.isclose同时提供相对容差和绝对容差，尤其在与零比较时，不能只依赖相对比例。

训练集与测试集即使没有重复行，也可能发生信息泄漏。如果先用全部数据计算均值、填补规则或筛选特征，再拆分训练与测试，测试数据已经参与了模型准备过程。

想把名称前面的固定标记去掉时，lstrip接收的是字符集合，removeprefix接收的才是完整前缀。把两者混用，可能把后面本来需要保留的字母也删掉。

Python的json模块默认可以输出NaN或Infinity，但这些并不是标准JSON数值。文件在本机能生成，不代表其他语言或严格接口一定能接受。

多分类任务除了看每类表现，还常汇总成一个分数。macro给每个类别同样权重，weighted按各类真实样本数加权，二者回答的问题不同，不能省略名称只报一个“平均分”。

用历史记录预测未来时，随机拆分数据可能让模型在训练中见到比测试时点更晚的信息。验证方式应该尽量还原真实使用时“先有历史，再预测后续”的顺序。

分类模型输出0.8，并不自动意味着同类预测有八成正确。概率校准检查的是：一组被赋予相近预测概率的样本，其实际正例比例是否与这些概率相符。

把用户文字嵌入正则模式时，点号、加号等字符可能被解释为语法。若目标是匹配这段文字本身，可先用re.escape处理模式片段，并明确是否要求整串匹配。

从命令行把数值传给jq时，使用arg会得到字符串，即使内容看起来是数字。需要JSON数值、布尔或对象时，应理解argjson的解析行为，并按业务要求选择类型。