Python

以明确正类的人工二分类评分核对 ROC AUC 的概率列、排序方向和单类别评测边界，避免把无有效指标写成成功。

先计算 SciPy CSR 三组底层数组的字节数，再估算稠密数组体积，以一个少非零项的大形状例子检查内存风险和安全切片。

用 langid 在本地批量识别文本语言，保留编号和原文并导出 CSV。样例将空串、短句标记待复核，并通过混合语言反例说明高模型概率不能代替人工确认。

用 jieba、TF-IDF 和 KMeans 对无标签中文短句作主题探索，打印组内原句及中心高权重词。通过十二条人工样例检查分组，并说明真实语料如何校准和复核。

用 jieba 补充领域词、设置停用词，提取中文 TF-IDF 关键词并导出词与权重。提供可运行样例、结果核对和领域 IDF 的使用边界。

用字符 TF-IDF 生成文本近重复候选对和人工复核 CSV，保留原始记录。通过只差一个否定词的高相似反例，说明为何相似度阈值不能直接作为删除规则。

用 scikit-learn 在本地建立中文字符 TF-IDF 索引，输入查询后按余弦相似度排序并导出 CSV。示例包含零向量查询的空结果处理，以及换成真实文档后的验证办法。

scikit-learn 预测报错时，先区分“模型尚未拟合”和“预测输入与训练列不一致”。下面故意触发这两个本地错误，再按正确顺序拟合模型、核对列名和顺序，完成一次预测。不要仅把异常捕获掉后返回空结果。

只有两个数值特征的分类模型，可以把输入平面画成决策区域，再把样本点叠上去检查。下面用 SVC 训练一个虚构的二维二分类例子，通过 DecisionBoundaryDisplay 输出图片。区域颜色是当前模型的预测类别，不是正确率或可信度。

AI 训练标签改错后如果只覆盖原文件，很难知道哪些样本变过、为什么变。下面保留原始标签表，把修改写成追加事件：样本编号、原值、新值、理由、复核人和时间，再由事件生成当前标签。