AI教程

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。

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。

扩充 AI 训练文本不必先让模型生成大量新句子。对确实不改变任务标签的格式变化，可以先做少量受控变体，并保存 parent_id。下面把“机器学习”替换为“机器 学习”，验证数量、标签和原文关系；它只是格式鲁棒性练习。

建立 AI 语料库时，除了文本，还要能回答来源在哪里、能否使用、如何找回原文。下面把教学文本写成 JSONL，保存来源、许可状态和基于文本内容的稳定编号，并拦截空文本与未知使用状态。

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。