AI教程

固定同一测试集对比多数类、普通逻辑回归和 balanced 权重，查看少数类召回改善伴随的误报代价。

在训练数据内部用 sigmoid 拟合概率校准器，用独立测试集同时比较 Brier 分数、准确率和分组发生频率。

为数值列和类别列分别配置填补、标准化与独热编码，用 ColumnTransformer 合并输出并核对未知城市和编号排除。

用 scikit-learn 在数值表格上完成分层划分、标准化、逻辑回归训练和预测，并用多数类基线与混淆矩阵检查结果。

从开发主体、仓库、模型名和调用入口四项查起；不同项目可被同一平台提供，也不代表它们是同一个模型或互为版本。

让视觉模型只负责图像描述或结构化提取，让文本模型负责基于该结果的归纳；保留原图、提取结果和最终回答，方便逐层核对。

先明确设备是否只负责采集、是否必须离线、请求是否能出网，再测试端到端延迟和断网时的降级行为。

用发布仓库、版本标签和许可证文件核对；模型能力相近、某个服务可调用另一个模型，都不是代码复用的证据。

不要根据回答风格判断模型来源；依次检查控制台的模型 ID、请求地址、供应商文档和返回中的模型字段。

把“能对话”的模型、“会调用工具”的智能体和“会写业务数据”的自动化分开评估；先用只读工具验证输入、调用和结果。