概念词汇表：B¶
本页整理拼音首字母为 B 的中文概念词条。词条正文由单词源文件 include 生成。
半监督学习¶
- 含义: 半监督学习是把少量有标签数据和大量无标签数据一起使用的学习设定。
- 为什么重要: 当标签昂贵或稀缺时，无标签数据中的结构可以成为辅助信号。但聚类或近邻关系不能未经审查就当作正确标签传播，否则错误也可能一起扩散。
- 相关概念:
无监督学习(unsupervised learning),聚类(clustering),标签(label) - 中心 Section:
P4-17.2 - 出现 Section:
P4-17.4
基准线¶
- 含义: 基准线是在解读当前数值时先放置的参照标准，用来把当前状态同平常区间或比较对象并排查看。它让数字不再孤立存在，而是回答“和什么相比发生了变化”。
- 为什么重要: 只看最近区间或某个事件的数值，很难判断到底发生了什么变化。基准线为运营数据、模型分数和比较报告提供共同参照，使读者先问“相对什么提高或偏离了多少”，而不是只看一个绝对值。
- 相关概念:
比较报告,输出结构,基准模型,评估 - 核心 Section:
P3-7.3 - 出现 Section:
P3-1.1,P4-index,P3-1.2,P3-2.2,P3-3.2,P3-3.3,P3-4.1,P3-4.2,P3-4.3,P3-5.1,P3-5.2,P3-5.3,P3-6.5,P3-6.6,P3-7.1,P3-7.4,P3-7.5,P3-8.1,P3-8.2,P3-8.3,P3-8.4,P3-8.5,P3-9.1,P3-9.3,P3-summary,P4-6.1,P4-6.2,P4-8.2,P7-index,P7-1.1,P7-1.3,P7-2.2,P7-7.3,P7-summary
基准模型¶
- 含义: 基准模型是为了检查复杂模型是否真的带来有意义改进而先设定的最简单比较模型或分数标准。它先建立一个可解释的起点，再判断是否值得增加复杂度。
- 为什么重要: 分数看起来高，可能只是任务本身容易，而不一定是建模方法更好。基准模型固定候选模型至少需要超过的起点，使执行摘要和错误样本比较能够说明新模型到底改变了什么。
- 相关概念:
评估,基准线,模型选择,任务定义 - 核心 Section:
P4-8.2 - 出现 Section:
P3-7.1,P4-index,P4-3.1,P4-3.2,P4-4.2,P4-6.1,P4-6.2,P4-8.1,P4-8.3,P4-9.1,P4-10.1,P4-12.1,P4-13.1,P4-15.1,P4-16.1,P4-summary,P7-index,P7-2.1,P7-4.2,P7-summary
bootstrap¶
- 含义：从原始数据中允许重复抽样，重新构造多个样本集合的重采样方法。
- 为什么重要：bootstrap 可以让我们看到同一批数据在不同抽样变化下，模型或估计值会有多大摇晃。在随机森林里，每棵树看到不同的 bootstrap 样本，因此树之间会形成差异。
- 相关概念：
随机森林,集成,OOB 分数,样本 - 中心 Section：
P4-15.1 - 出现 Section：
P4-15.3,P4-15.4
标准化(standardization)¶
- 含义：standardization 会从每个 feature 中减去 mean，再除以 standard deviation，让不同单位和不同分散程度的数值进入更可比较的范围。在基于 distance 的模型里，它可以读成重新平衡各个 feature 对 distance 影响的 preprocessing。
- 为什么重要：如果不做 standardization，取值范围很大的 feature 可能支配 distance 计算。standardization 之后，小范围 feature 也可能重新影响 neighbor 选择，所以需要比较前后哪些 neighbor 进来、哪些出去。
- 相关概念：
特征(feature),距离(distance),预处理(preprocessing) - 核心 Section：
P4-12.2 - 出现 Section：
P4-12.2
标签一致性(label consistency)¶
- 含义: 同一事件或相似条件下的案例，是否会反复获得相同含义标签的程度。它看的不只是有没有标签列，而是复核者、时期和标准变化时，判断含义是否仍然稳定。
- 为什么重要: 即使已经有标签候选列，如果不同复核者贴法不同，或规则变化后含义改变，就很难直接把它提升成稳定学习问题。标签一致性帮助区分
有一列和这个含义已经重复到足以作为目标标签。 - 相关概念:
标签,目标标签候选,复核候选队列,评估 - 核心 Section:
P3-9.6 - 出现 Section:
P3-9.6
标签预测(label prediction)¶
- 含义: 把问题设定为根据输入案例预测已经定义好的目标标签。它比告警或复核候选都更强，需要稳定的标签以及学习和评估结构。
- 为什么重要: 如果只是因为有少量结果备注就开始做标签预测，较弱的标签质量可能会被复杂的分类框架遮住。标签预测应当在前面的比较信号和复核结构已经让目标标签足够稳定之后再考虑。
- 相关概念:
标签,目标,分类,复核候选 - 核心 Section:
P3-9.1 - 出现 Section:
P3-9.1,P3-9.2
变量(variable)¶
- 含义: 变量是指向某个值的名字。变量本身不是值，而是让代码在后续步骤中重新引用同一个值或更新后的值的标签。
- 为什么重要: 初学者常把变量名和变量里保存的值混在一起。区分变量和值，才能读懂赋值、更新、函数参数和表格列名在代码中的作用。
- 相关概念:
函数(function),模型输入(model input),特征(feature) - 核心 Section:
P2-8.1 - 出现 Section:
P2-8.2,P2-8.4,P2-12.1
变量变换(variable transformation)¶
- 含义：变量变换是把同一个结构或数值转换成另一种表达，例如平均值、差值、比率、斜率或 token。它不是丢掉原本含义，而是把它改写成当前问题中更容易比较的形式。
- 为什么重要：在特征设计中，决定“要计算出什么表达”和决定“这些表达里要保留哪些”是不同判断。理解变量变换，可以区分直接使用汇总表数值，与把这些数值改写成水平、变化、稳定性等结构表达。这样一来，特征选择就不是简单删列，而是在已经生成的候选表达中选择当前问题需要的线索。
- 相关概念：
特征(feature),特征选择(feature selection),汇总表(summary table),中间表示(intermediate representation) - 中心 Section：
P3-6.1 - 出现 Section：
P3-6.1
表示学习(representation learning)¶
- 含义：模型从数据中学习如何把输入变成更有用的内部表示。它不是让人预先设计所有规则和特征，而是在训练过程中让模型学习什么样的表示对当前任务有帮助。换句话说，表示学习更接近于
模型从数据中学出有用的内部坐标系，而不是人先把所有好特征都选好。 - 为什么重要：这个概念帮助读者区分人工设计的特征和深度学习中模型学到的内部表示。它说明深度学习的重点不只是层数更多，也在于模型能学习让后续分类、预测或生成更容易的中间表示。在 Part 3 中，这个概念也用来划清边界：特征设计先说明输入结构，表示学习则在模型内部的后续学习阶段发生。
- 相关概念：
深度学习，特征，表示 - 中心 Section：
P1-3.3 - 出现 Section：
P1-2.3，P1-9.1，P3-6.3，P5-2.2，P5-10.1，P5-10.2，P6-3.3
表示(representation)¶
- 含义: 把输入整理成模型可以计算的内部形式。它不是原始数据本身，而是为了当前任务，把有用的差异和关系重新组织后的计算用形态。
- 为什么重要: 要理解 deep learning 和 representation learning，读者需要区分人看到的输入和模型实际计算的内部形式。如果 feature 是输入线索，representation 更接近这些线索在模型内部被怎样重新组织。好的 representation 可以让后续 classification 或 generation 变得更容易。
- 相关概念:
特征(feature),向量(vector),激活值(activation),嵌入(embedding),表示学习(representation learning) - 中心 Section:
P1-3.3 - 出现 Section:
P1-2.3,P1-4.3,P1-8.2,P3-6.1,P3-6.2,P4-13.2,P5-2.2,P5-10.1,P5-10.2
拓扑(topology)¶
- 含义：拓扑是一种数学视角，它关注空间中的开集、邻域、连通性、连续性等结构，而不是坐标值或距离本身。如果 P2-3.2 中的位置(position)像是一个向量的坐标位置，那么拓扑更关注整个空间的连接关系和连续结构。它不是单个位置的同义词。
- 为什么重要：AI 文档中出现
表征空间的拓扑、数据流形这类说法时，通常说的是数据表征形成的整体结构，而不是单个向量坐标。这个区分能避免初学者把位置、距离、拓扑都混成同一个空间比喻。在这里，拓扑作为标准数学术语，只在表征空间语境中做简短提示，并不展开完整的拓扑学课程。 - 相关概念：
向量空间(vector space),维度(dimension),表示(representation) - 核心 Section:
P2-3.2
标量¶
- 含义: 标量是由一个数表示的值。它没有向量那样的多个分量，也没有矩阵那样的行列结构。
- 为什么重要: 数组计算中，一个标量可以通过广播规则应用到数组的每个位置。理解标量，才能区分单个数值、向量和矩阵在计算结构上的差异。
- 相关概念:
向量,矩阵,广播 - 核心 Section:
P2-3.1 - 出现 Section:
P2-11.3
偏见¶
- 含义: 偏见是 AI 系统对某些人、群体或情境反复产生更不利或扭曲结果的问题。它不是一次性的错误预测，而是追问失败是否更常集中到谁身上、并朝什么方向集中。
- 为什么重要: 偏见可能来自数据收集、标签标准、特征选择、评估方式和使用场景，并不只是不良意图的问题。模型平均性能看起来不错，也可能对某些群体造成集中伤害，因此需要单独检查群体层面的错误模式和运营语境。
- 相关概念:
安全性,责任,人工监督 - 核心 Section:
P1-15.1 - 出现 Section:
P3-8.6
广播¶
- 含义: 广播是一种数组计算规则，允许形状兼容的小数组或标量应用到更大的数组计算中。它更适合理解为一种 shape 解读规则，而不是手动把值复制成巨大数组。
- 为什么重要: 广播帮助读者理解为什么短短的数组表达式可以沿某些轴应用值，而不需要显式循环。它也能解释代码能运行却沿着非预期方向扩展数值的问题。
- 相关概念:
向量化,张量(tensor),标量 - 核心 Section:
P2-11.3 - 出现 Section:
P2-11.4,P2-12.1
标准差(standard deviation)¶
- 含义：概括数值围绕均值分散程度的统计量。
- 为什么重要：它帮助读者看到仅靠均值会隐藏的变化和不确定性。
- 相关概念：可结合本页相邻词条和正文中的相关 Section 一起阅读。
- 中心 Section：
P2-5.5 - 出现 Section：
P3-1.2,P4-12.2
变化率(rate of change)¶
- 含义：描述一个值相对于另一个值（常常是时间或输入变量）变化多少的量。
- 为什么重要：它是从斜率走向导数和梯度的直觉桥梁。
- 相关概念：可结合本页相邻词条和正文中的相关 Section 一起阅读。
- 中心 Section：
P2-4.2 - 出现 Section：
P2-2.3,P2-4.3,P2-4.4
不确定性(uncertainty)¶
- 含义：可用信息不完整、有噪声、带概率性，或不足以确定一个固定答案的状态。
- 为什么重要：它是 AI 系统需要概率、验证、保守解释和人工复核的核心原因之一。
- 相关概念：可结合本页相邻词条和正文中的相关 Section 一起阅读。
- 中心 Section：
P1-6.2 - 出现 Section：
P1-6.1,P1-6.3,P2-5.1,P2-5.5
贝叶斯规则(Bayes rule)¶
- 含义：在看到新证据后更新某个假设可信度的概率规则。
- 为什么重要：它提供了阅读先验信念、证据可能性和更新后概率之间关系的基本结构。
- 相关概念：可结合本页相邻词条和正文中的相关 Section 一起阅读。
- 中心 Section：
P2-5.1
部分可观测性(partial observability)¶
- 含义：智能体不能直接看到完整真实状态，只能根据不完整观测行动的条件。
- 为什么重要：它解释了为什么记忆、信念状态和不确定性处理在许多序列决策问题中很重要。
- 相关概念：可结合本页相邻词条和正文中的相关 Section 一起阅读。
- 中心 Section：
P1-6.1 - 出现 Section：
P1-6.2