📘 Reality AI · 模型验证与精度提升
30章
⚡ 友好 · 色彩乐园
01
Reality AI模型验证概述
模型验证的重要性
验证与测试区别
验证流程总览
02
数据集划分策略
训练/验证/测试划分
分层采样
交叉验证
03
过拟合与欠拟合
定义与原因
检测方法
应对策略
04
偏差与方差权衡
偏差-方差分解
对性能影响
平衡点
05
混淆矩阵与分类指标
准确率/精确率
召回率/F1-score
特异度
06
ROC曲线与AUC
ROC曲线绘制
AUC计算与意义
多分类ROC
07
回归模型评估指标
MSE/RMSE
MAE/R-squared
调整R-squared
08
K折交叉验证
原理与步骤
选择K值技巧
分层K折
09
留一法与自助法
留一交叉验证
自助采样法
适用场景对比
10
学习曲线与验证曲线
绘制方法
诊断过拟合/欠拟合
调整模型复杂度
11
超参数调优基础
网格搜索
随机搜索
贝叶斯优化原理
12
网格搜索实战
参数网格定义
GridSearchCV
多指标评估
13
随机搜索优化
RandomizedSearchCV
与网格搜索对比
效率分析
14
贝叶斯超参数优化
高斯过程
期望改进
实践案例
15
正则化技术
L1/L2正则化
Dropout/早停法
数据增强
16
批量归一化
原理
训练/推理差异
实践效果
17
集成学习方法
Bagging/Boosting
Stacking原理
验证
18
随机森林验证
特征重要性
OOB误差
调参策略
19
XGBoost模型验证
早停
特征重要性
交叉验证集成
20
LightGBM与CatBoost
验证技巧
速度对比
参数调优
21
模型校准
概率校准
可靠性图
Platt缩放/等温回归
22
阈值调整方法
阈值移动
代价敏感学习
F-beta优化
23
特征选择与验证
过滤法/包裹法
嵌入法
稳定性评估
24
模型可解释性
SHAP值/LIME
部分依赖图
特征重要性排序
25
时间序列验证
时间序列交叉验证
滚动窗口
扩展窗口
26
不平衡数据集验证
重采样/SMOTE
代价敏感验证
Focal Loss
27
多模型比较统计检验
McNemar检验
Wilcoxon检验
贝叶斯比较
28
模型部署验证
A/B测试设计
在线评估指标
漂移检测
29
自动化验证流水线
Pipeline构建
持续验证
MLflow集成
30
综合案例实战
从数据到部署
完整验证流程
精度提升