AI教程

用 SimpleImputer 检查训练中位数、缺失指示列与全空列输出，区分模型特征填补和原始业务事实修复。

用七条数值手算 RobustScaler 的中位数与四分位距，比较两种缩放结果，并检查极端值、零IQR和稀疏输入边界。

以 QuantileRegressor 分别训练条件分位数，生成中央预测区间，并在独立样本上核对覆盖率、宽度和越界记录。

用 PCA 将四维教学数据投影到二维，查看解释方差和散点，区分可视化探索与正式训练评估。

用 librosa 生成梅尔功率频谱图，核对采样率、hop_length、时间频率坐标和相对分贝色标。

用 librosa 非静音检测导出语音切片，保存原始样本位置与秒数，听回检查弱语音和标签时间。

用 OpenCV Canny 输出两组边缘图，比较阈值、轮廓连续性与噪点，区分边缘和语义标签。

按引擎、中文语言包、图像布局和工具参数排查 Tesseract 中文失败，并对比 PSM 6 与 11。

用 OpenCV 彩色非局部均值比较两档去噪，保留原图，检查噪点、细线和目标纹理是否丢失。

用同一 CLIP 模型生成查询图和图库向量，归一化后输出 Top-5，并按人工相关图核对排序。