机器学习

在同一训练池与同一折索引上比较逻辑回归和随机森林的 Macro F1、波动与训练时间，保留独立测试检查。

将真值、预测和稳定编号逐行对应，核对混淆矩阵并导出误分类 CSV，区分误报漏报和标注问题。

用 StandardScaler 与 Pipeline 演示训练均值核对，避免测试数据参与预处理拟合，并说明交叉验证和预测列顺序的边界。

按用户、设备或文档来源分组切分训练与测试数据，核对组交集、行编号与类别分布，并说明组比例和时间序列限制。

用 SDV 对无隐私玩具表检测元数据、拟合并采样，再检查列、空值与分布。

在 PyTorch 训练循环中写入逐步损失标量，用 TensorBoard 查看曲线并核对日志目录。

以同一批二分类预测和真值使用 Evaluate 计算准确率与 F1，并核对正类与样本分布。

用 ONNX Runtime 为现有 ONNX 模型生成动态 INT8 副本，并以同一输入检查输出差异与适用边界。

用 Transformers Trainer 和八条自建玩具样本跑通文本分类训练与验证损失检查。

对已有 ONNX 模型用 ONNX Runtime 检查单个 float32 输入并执行一次 CPU 推理。