概念词汇表：H¶
本页整理拼音首字母为 H 的中文概念词条。词条正文由单词源文件 include 生成。
幻觉¶
- 含义：幻觉是指生成式 AI 在缺少依据或内容错误时，仍然生成流畅、自信文本的错误。它不只是不自然的输出，也包括表面正常但事实为空、过时或错误的内容。
- 为什么重要：幻觉是生成式 AI 的核心风险之一，因为流畅表达并不等于正确。理解这个概念后，读者才能区分哪些问题可以靠提示词改善，哪些问题需要检索、证据核查、人工评审或来源确认。
- 相关概念：
虚构式生成，证据，评审，事实性，提示词的限制 - 中心 Section：
P1-12.3 - 出现 Section：
P1-10.3
函数近似(function approximation)¶
- 含义: function approximation 不是把每个值都直接存进表里，而是用一个函数或模型根据输入来估计价值。
- 为什么重要: 当状态空间变大时，把所有值都存成表会很难管理，因此函数近似会把价值型强化学习的直觉搬到更大的问题里。
- 相关概念:
价值型强化学习(value-based reinforcement learning),函数(function),多层神经网络(multilayer neural network) - 核心 Section:
P4-19.5 - 出现 Section:
核函数(kernel)¶
- 含义: 给定两个输入，计算它们在更丰富表示空间里有多相似或多接近的核心函数。在基于边界的分类语境里，它可以读成：不显式构造所有新特征，也能用原始空间里的计算取得新表示空间里的比较效果。
- 为什么重要: 当原始坐标空间里的 linear boundary 很别扭时，问题可能不只在 boundary 本身，也可能在 representation space。kernel 能帮助读者把非线性结构解释成
改变读取数据的空间，而不只是画出更复杂的线。 - 相关概念:
表示(representation),距离(distance),决策边界(decision boundary),降维(dimensionality reduction) - 中心 Section:
P4-13.2 - 出现 Section:
P4-13.2
混淆矩阵¶
- 含义: 混淆矩阵是把分类模型的结果按真实标签和预测标签组合起来计数的表。它能显示单一 accuracy 容易遮住的错误方向，比如漏掉的正例和误报的正例。
- 为什么重要: 准确率相近的两个模型，可能在不同格子里出错，而这些错误在实际应用中的成本也可能不同。混淆矩阵让读者先检查错误结构，再判断分数是否足够。
- 相关概念:
分类(classification),指标(metric),误差(error),假阳性(false positive),假阴性(false negative) - 首次说明于:
P4-6.1 - 出现 Section:
P4-index,P4-6.1,P4-6.2,P4-8.2
回归(regression)¶
- 含义：回归是根据输入预测连续数值或分数的建模任务。它不是像分类那样选择类别名称，而是在价格、温度、需求量这类连续数值轴上估计一个值。
- 为什么重要：现实问题常常不是问“属于哪一类”，而是问“有多大”。理解回归，才能区分分类里的对错评价和回归里的距离误差评价，也能理解为什么连续输出不能直接用准确率来判断。
- 相关概念：
分类，输出，任务定义 - 核心 Section：
P1-8.1 - 出现 Section：
P1-4.4,P3-9.13,P4-2.1,P4-3.2,P4-6.2,P4-8.1,P4-8.3,P4-10.1
启发式¶
- 含义：启发式是一种经验性判断规则。它不保证最优答案，但会让系统先查看看起来更有希望的候选。它更像有限时间内的实用引导，而不是总能证明最优的公式。
- 为什么重要：许多 AI 问题的路径和组合太多，无法全部检查。启发式帮助读者区分“保证最优”的方法和“在现实限制下尽快找到可用答案”的策略。
- 相关概念：
搜索，状态，目标 - 中心 Section：
P4-3.1 - 出现 Section：
P1-2.2,P1-7.2,P4-3.2,P4-4.1
隐藏状态¶
- 含义：隐藏状态在本书中有两种常见含义。在循环神经网络中，它是把较早输入的信息带到后续计算的内部状态。在笔记本执行中，它也可以指页面上看不见、但会影响后续单元格的运行时值或设置。
- 为什么重要：同一个词组可能指模型记忆，也可能指执行环境状态。区分这两种语境后，读者才能解释为什么可见输入相同，结果却可能因为不可见的内部状态而不同。
- 相关概念：
循环神经网络，执行顺序，运行时状态 - 中心 Section：
P1-11.2 - 出现 Section：
P2-10.3
人工监督¶
- 含义：人工监督是一种控制结构，使人能够审查 AI 输出，并在需要时介入、停止执行、退回结果或要求修改。它比没有实际干预权的形式化批准更强。
- 为什么重要：在高风险自动化中，责任需要真实可用的介入点。这个概念帮助读者区分“有人在场”和“人真的能够检查、停止并纠正系统”。
- 相关概念：
安全性(safety)，问责(accountability)，权限(permission)，模型验证(model validation) - 中心 Section：
P1-15.1 - 出现 Section：
P1-10.3
超参数¶
- 含义：超参数是在训练前由人设定的值，用来控制模型如何训练或形成结构。例如学习率、层数、树深度等，都是从模型学习到的参数之外调整的设置。
- 为什么重要：超参数不同于从数据中学到的参数。这个区分帮助读者理解调优和验证，并判断性能变化来自模型内部学到的值，还是来自训练时设定的外部条件。
- 相关概念：
参数，调优，验证 - 中心 Section：
P4-9.1 - 出现 Section：
P4-9.2,P4-9.3,P4-3.1,P4-3.2,P4-7.2,P4-8.1,P4-14.2,P4-16.2
合理使用(fair use)¶
- 含义：在特定目的和条件下可能允许有限使用受版权保护材料的法律原则。
- 为什么重要：它在 AI 学习材料中很重要，因为再使用、引用、改写和市场替代都必须谨慎判断，不能自动视为安全。
- 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：
P1-15.2