AI学习共26篇

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。

记录AI任务结果时，“五次里至少成功一次”和“每次都能成功”是不同目标。若只展示最好的一次，却省去重试次数、失败记录和验收规则，就会让读者误解系统在日常使用中的可靠性。

“从三个栏目选一个”和“给文章添加多个主题标签”是两种任务。若标签允许同时成立，只保留最高分会丢掉其余有效标签；设计输出格式之前，应先写清一条样本允许几个答案。

如果要评估模型面对新用户的表现，只随机拆分记录可能不够。同一用户的多条记录出现在训练和测试两边时，测到的可能包含对熟悉用户的识别能力。

向量检索里，点积和余弦相似度经常一起出现。余弦相似度会按向量长度归一化；当两个向量都已具有单位长度时，它才与点积一致。

GitHub于2026年10月2日发布开发技能文章，强调明确指导AI、审查输出和保留技术判断。本文回顾这组建议，关注如何形成可验收的工作成果，不将其当作职业收益预测。

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。

模型输出一个分数或概率后，还需要规则决定是否判为正例。调整这个决策阈值会改变标签结果，但不等于重新训练模型，也不会自动改善概率本身的校准。

Anthropic于2026年10月2日宣布Claude Frontier Academy，并承诺投入1亿美元，目标在2027年底前培养一万名Frontier Deployed Engineers。这些是公告中的投入与培养目标，不是已经毕业的人数。

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。