机器学习

电商 AI 分析提出“买A的人也买B”时，可以先用购物篮数据核对三个数：支持度、置信度和提升度。下面用六个虚构订单手算并编程核对 A→B 的规则，避免把常见商品的高共现误解为额外关联。

开发特征工程智能体时，可以先把确定的预处理任务封装成普通 Python 工具，再考虑让模型选择何时调用。工具应明确接受哪些列、只用训练样本拟合，并返回特征名称与形状。下面做一个固定输入契约的本地预览函数，不让模型自由修改列规则。

回归模型的平均误差无法告诉你错误是否呈系统模式。残差图把“真实值减预测值”与预测值并排观察：若出现弯曲结构、扇形散布或局部偏差，需要回到模型和数据检查。下面用线性模型拟合一个人为构造的非线性关系，在独立教学点上画残差。

训练数据连续到来时，SGDClassifier 的 partial_fit 可以在同一模型上分批更新。关键是第一批明确全部类别、之后保持特征列和预处理一致。下面使用固定的初始标准化器，分六批更新分类器，并核对更新计数和独立演示输入的预测。

学习 AI 算法数学时，可以先检查逻辑回归的损失和梯度是否写对。下面用 NumPy 计算二分类交叉熵，并用有限差分近似逐项核对解析梯度；通过检查只表示当前实现与数值近似相符，不代表模型已经训练好。

让 ChatGPT 帮你规划模型测试样本量时，先给出要估计的量和允许误差。若目标是二分类整体准确率，可用比例估计的正态近似公式算一个初步样本量；它用于预算起点，不代表在任何业务数据上都保证这个误差。

用 DeepSeek 学随机森林时，把问题限制成可验证的小任务：每棵树如何输出概率，森林怎样汇总这些概率。下面提供学习提示词，再用本地 scikit-learn 训练三棵浅树，检查森林概率等于各树概率的平均。

KMeans 适合围绕中心、需要预设簇数且要给新样本分组的场景；DBSCAN 适合按密度连接样本，并把部分低密度点标为噪声。选择时应同时看分布、距离尺度和上线预测需求，不能只比较跑出的簇数量。

用 MultiOutputRegressor 为两个连续目标分别训练回归器，固定输出顺序、保留样本编号，并按各自单位验收预测误差。

配对使用 log1p 与 expm1，让 TransformedTargetRegressor 自动还原预测，并用同一测试集核对原尺度误差和逆变换一致性。