机器学习

交叉验证中的泄漏常发生在划分之前：先用整张表计算缺失值的填补中位数，再把已经填好的数据送入交叉验证，验证折的信息已参与预处理。把 SimpleImputer 和分类器装进同一条 Pipeline，逐折拟合并核对中位数，才能检查这一步的边界。

智能体收到“查订单”“退货”“查优惠”时，先分类用户意图，遇到不确定或不支持的请求应停下追问。下面训练一个本地字符特征分类器，展示最高类别概率，并用演示阈值把低置信请求标为“转人工确认”。

客服工单只有“退款、物流、其他”三个固定标签时，先判断能否用带人工标签的文本训练一个可复核的传统分类基线；若还要求从自由文本中提取原因、解释依据或处理开放问题，再考虑大模型。下面用相同的工单样本展示两条路径各自需要检查什么。

NLP 里的 token 是分词器交给模型的离散单位，既不必等于一个汉字，也不必等于一个空格隔开的词。先用一份极小的教学语料训练 WordPiece 分词器，再比较字符数、空格词数和实际 token 数，最后演示截断会丢掉什么。

数据标注智能体给出的候选标签不能直接当最终标签。示例将低分样本进入人工复核队列，候选表与人工确认表分开保存，并提醒未校准分数不能等同准确率。

用公开中文评论模型输出情感标签与分数，核对反讽、混合评价和业务迁移时的误判。

用 Torchvision 的 ResNet18 预训练权重更换二分类头，在独立 train/val 目录训练并输出验证正确数。

按 Ultralytics 数据集约定准备自有目标框，运行 YOLO 检测训练并检查类 ID、验证集与误检漏检。

使用英文 MMS-TTS 在本地生成波形并导出 WAV，回读采样率与样本，试听完整句子，并核对语言和非商业许可限制。

用中文 BERT 掩码模型为单个缺字位置生成候选，核对词表ID、得分与补全句，明确单token和事实修订的限制。