机器学习 · 扩展学习 · 2026-10-10

数据划分与基线：机器学习从问题定义开始

区分训练、验证、测试、泄漏和简单基线，避免把实验结果过度解释。

概念笔记

机器学习（Machine Learning，ML）先是问题定义，再是模型。你需要说明目标变量、输入特征、预测时点、错误成本和可用数据。训练集用于拟合，验证集用于选择方案，测试集用于最终估计；如果同一用户、同一时间窗口或未来信息泄漏到训练中，分数会虚高。基线可以很简单：均值、众数、规则或线性模型。没有基线的复杂模型很难证明价值。AI 应用可以用模型服务，ML 课程则更关注数据和评估，本站补充内容不等同于完整 Azure 认证课程。

取舍与安全实验

纸面/本地安全实验：以“预测课程完成风险”为例，只做表格设计。列出允许在预测时已知的特征，划掉未来才知道的成绩和反馈。设计随机划分与按时间划分两种方案，比较哪一种更贴近真实使用。最后写一个基线：总是预测多数类，或按过去完成率打分。复杂模型必须超过这个基线，才值得继续。

完成检查

• 能解释训练、验证、测试的用途。
• 能识别时间泄漏和目标泄漏。
• 能为任何 ML 问题设定简单基线。