概念词汇表：F¶

本页整理拼音首字母为 F 的中文概念词条。词条正文由单词源文件 include 生成。

事实性主张¶

含义: 事实性是判断陈述是否符合可验证现实的质量标准。
为什么重要: 理解它有助于区分数据、建模、评估、提示或系统运行中的具体角色。
相关概念: 支持证据(supporting evidence), 幻觉(hallucination), 模型评估设计(evaluation design)
核心 Section: P1-12.3
出现 Section: P1-10.3, P1-11.1, P1-13.1, P6-10.2

含义：泛化是指模型学到的关系在训练时没有见过的新数据上仍然大体有效。它表示模型抓住了更一般的模式，而不是只记住训练样本。
为什么重要：泛化区分了真正的学习和单纯记忆。即使训练分数很好，也需要验证数据和测试数据来确认模型能否应对相似的新情况。过拟合和欠拟合都可以看作泛化失败的不同形式。
相关概念：过拟合，欠拟合
中心 Section：P1-3.2
出现 Section：P4-3.2, P4-4.1, P4-5.1, P4-5.2, P4-6.1, P4-7.2, P4-9.1, P5-8.1, P5-8.2

含义: 反向传播是从输出端的损失出发，沿网络向前面的层反向计算各个参数对损失影响的过程。更准确地说，它沿计算图应用链式法则，把最终误差信号分配到中间激活值和权重上。
为什么重要: 如果不知道每个权重应该朝哪个方向调整，模型就无法有效降低损失。反向传播把“学习”变成可计算的梯度信号，而不是笼统的自动调整。它也说明了深层网络为什么能够通过系统地追踪各连接对最终误差的贡献来训练。
相关概念: 梯度, 损失函数, 链式法则
核心 Section: P5-5.1
出现 Section: P5-5.2, P5-6.1, P5-7.1

含义: 特征是模型用作输入信号或判断依据的值。
为什么重要: 理解它有助于区分数据、建模、评估、提示或系统运行中的具体角色。
相关概念: 表示(representation), 模型输入(model input), 参数(parameter), 特征选择(feature selection), 表示学习(representation learning)
核心 Section: P1-4.3
出现 Section: P1-2.3, P1-3.2, P1-3.3, P2-11.1, P2-11.2, P2-11.3, P2-12.3, P2-15.2, P3-1.1, P3-2.2, P3-3.3, P3-4.1, P3-4.2, P3-4.3, P3-5.1, P3-5.2, P3-5.3, P3-5.4, P3-5.5, P3-6.1, P3-6.2, P3-6.3, P3-6.4, P3-6.5, P3-6.6, P3-9.7, P3-summary, P5-10.1, P4-1.2, P4-3.1, P4-3.2, P4-4.2, P4-5.1, P4-7.1, P4-7.4, P4-9.1, P4-9.2, P4-10.1

含义: 特征选择是在可用特征中决定当前问题保留哪些特征。
为什么重要: 特征越多不一定越好。特征选择帮助控制过拟合、解释混乱和计算成本，也能把可能造成数据泄漏的列排除在输入之外。
相关概念: 特征(feature), 预处理(preprocessing), 数据泄漏(data leakage)
核心 Section: P4-7.1
出现 Section: P2-12.3, P4-index, P3-6.1, P4-7.3, P4-7.4, P4-15.2, P4-3.1

含义: 模型候选分数是模型给候选输出、判断对象或中间结果赋予的数值。它可以用于比较或排序，但不一定等同于校准后的概率。
为什么重要: 很多推理结果不是只有一个标签，而是带有多个候选及其模型分数。理解模型分数，才能区分模型输出、概率解释和最终业务决策。
相关概念: 概率, 预测, 建模任务
核心 Section: P1-5.2
出现 Section: P2-11.1, P2-11.2, P2-11.3, P2-11.4, P3-9.8, P3-9.12, P4-6.2, P4-6.4

含义: 微调是在预训练模型上继续用任务或领域数据训练。
为什么重要: 微调把大规模预训练得到的通用能力和特定任务、领域、格式的适应阶段分开。理解它后，才能判断问题是应该通过提示词处理，还是需要用数据进一步调整模型本身。
相关概念: 预训练(pretraining), 上下文学习(in-context learning), 语言模型(language model)
核心 Section: P6-9.1
出现 Section: P1-11.3, P1-12.1, P6-9.2, P6-10.3, P6-10.5

含义: 符号式 AI 是以符号、规则和显式知识表示为中心的 AI 方法。它把事实和规则写成可以处理的形式，再通过推理得到结论。
为什么重要: 符号式 AI 是理解早期 AI、专家系统、规则式系统和知识表示的重要入口，也帮助读者把手写规则和从数据中学习的模型区分开。
相关概念: 规则式系统(rule-based system), 知识表示(knowledge representation), 推理引擎(inference engine)
核心 Section: P1-2.1
出现 Section: P1-2.1

含义：分组切分是按相互依赖的组来划分数据，例如同一个人、设备、门店、患者或账号，避免同一组的记录同时出现在训练侧和验证/测试侧。
为什么重要：如果同一个个体的相似记录混到两边，模型看起来表现很好，可能只是重新识别了熟悉个体，而不是能泛化到新个体。分组切分会先关上“什么才算独立的新案例”这个问题。
相关概念：评估设计，数据泄漏，样本单位
核心 Section：P3-9.13
出现 Section：P3-9.13