概念词汇表：K¶

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

可复现性¶

• 含义: 可复现性是在相同代码、数据、环境和执行条件下，能够再次得到可解释结果的性质。
• 为什么重要: 学习例子和实验记录以后还要重新运行、比较或交给别人检查。可复现性让结果不是一次偶然成功，而是有输入、依赖、执行顺序和设置支撑的过程。
• 相关概念: 依赖, 版本固定, 执行顺序
• 核心 Section: P2-7.5
• 出现 Section: P1-12.3, P1-14.5, P1-14.6, P2-7.4, P2-7.9, P2-14.2, P3-9.7, P7-3.2, P7-7.2

数据可视化(visualization)¶

• 含义: 数据可视化是把数值或表格数据转换成线、点、柱、区间等视觉形状来检查的过程。
• 为什么重要: 可视化让变化、关系和分布更快暴露出来，并帮助读者把实验结果和记录解释连接起来。它不是把图做漂亮，而是决定先观察什么模式。
• 相关概念: 图表, 分布, 图例
• 核心 Section: P2-13.1
• 出现 Section: P2-13.2, P2-13.3, P2-15.1, P4-18.2

可比性(comparability)¶

• 含义: 可比性，是指两个或多个值、样本、模型或条件能否放在同一标准上解释的程度。
• 为什么重要: 如果行的含义、样本单位、测量单位或评估流程不同，把数字并排放在一起也不一定是公平比较。先检查可比性，才能区分真实差异和混用了不同标准的结果。
• 相关概念: 比较结果, 数据质量检查, 样本单位
• 核心 Section: P3-2.3

k-means¶

• 含义：k-means 是一种以中心点为基础的聚类方法。它先指定聚类数量，再反复调整样本所属的簇和簇中心，使样本到所属中心点的距离变小。
• 为什么重要：k-means 用很简单的方式展示了无监督学习中 没有答案标签也能按相似性分组 的直觉。但它也有明显限制：聚类数量要先定，结果会受到距离和中心点假设的影响，不能直接当作真实类别来读。
• 相关概念：聚类, 聚类簇, 中心点, 距离
• 中心 Section：P4-17.1
• 出现 Section：P4-17.3

开放权重模型(open-weight model)¶

• 含义: 指训练完成后的模型权重文件可以由用户下载，并在自己的环境中运行或调整的模型。权重开放并不自动意味着训练数据、训练代码、评估流程或使用权利都完全开放。
• 为什么重要: 开放权重模型让用户更直接地控制部署位置、成本结构、数据位置和适配方式。同时，许可证确认、硬件规划、安全过滤、更新和评估责任也会更多转移到用户一侧。
• 相关概念: 权重(weight), 参数(parameter), 许可证(license), 推理(inference)
• 中心 Section: P6-21.1
• 出现 Section:

知识库¶

• 含义：知识库是系统可查询的规则、事实、关系和领域信息的结构化存储。它把知识材料和应用这些材料的过程分开。
• 为什么重要：这个概念帮助读者看到规则系统不只是很长的条件语句。知识库存放材料，推理过程负责使用这些材料。
• 相关概念：规则系统，知识表示，推理引擎
• 中心 Section：P1-3.1
• 出现 Section：P1-2.1, P1-3.3

知识表示¶

• 含义：知识表示是把事实、关系、规则和约束整理成计算机可以查看、比较和推理的形式。
• 为什么重要：符号 AI 不只关心有哪些知识，也关心这些知识如何写下来。表格、规则、图和逻辑形式会支持不同的问题和推理过程。
• 相关概念：符号 AI，规则系统
• 中心 Section：P1-2.1
• 出现 Section：P1-2.2