Best Practices on 中文AI术语词典https://terms-en.ai-term-hub.com/zh/tags/best-practices/Recent content in Best Practices on 中文AI术语词典Hugozh-cnSat, 18 Jul 2026 11:44:45 +0000数据泄露https://terms-en.ai-term-hub.com/zh/terms/leakage/Sat, 18 Jul 2026 11:23:53 +0000https://terms-en.ai-term-hub.com/zh/terms/leakage/<h2 id="definition">Definition</h2> <p>数据泄露是机器学习中的一个关键错误，指模型在训练过程中获取了在预测时无法获得的信息。这通常是由于不恰当的数据处理（如未正确划分训练集和测试集）造成的。</p> <h3 id="summary">Summary</h3> <p>当训练数据集之外的信息无意中影响模型时，就会发生数据泄露，导致性能评估过于乐观。</p> <h2 id="key-concepts">Key Concepts</h2> <ul> <li>目标泄露</li> <li>训练-测试污染</li> <li>正确的数据分割</li> </ul> <h2 id="use-cases">Use Cases</h2> <ul> <li>调试模型过拟合问题</li> <li>验证特征工程流程</li> <li>确保模型评估的稳健性</li> </ul> <h2 id="related-terms">Related Terms</h2> <ul> <li><a href="https://terms-en.ai-term-hub.com/en/terms/overfitting-%E8%BF%87%E6%8B%9F%E5%90%88/">Overfitting (过拟合)</a></li> <li><a href="https://terms-en.ai-term-hub.com/en/terms/cross-validation-%E4%BA%A4%E5%8F%89%E9%AA%8C%E8%AF%81/">Cross-validation (交叉验证)</a></li> <li><a href="https://terms-en.ai-term-hub.com/en/terms/feature-engineering-%E7%89%B9%E5%BE%81%E5%B7%A5%E7%A8%8B/">Feature engineering (特征工程)</a></li> </ul>实验跟踪https://terms-en.ai-term-hub.com/zh/terms/experiment_tracking/Sat, 18 Jul 2026 11:16:49 +0000https://terms-en.ai-term-hub.com/zh/terms/experiment_tracking/<h2 id="definition">Definition</h2> <p>这种做法涉及在训练过程中记录超参数、数据集版本、模型架构和性能指标。它使数据科学家能够比较不同的实验配置。</p> <h3 id="summary">Summary</h3> <p>实验跟踪是系统记录机器学习实验的元数据、指标和工件的过程，以确保可复现性并促进比较。</p> <h2 id="key-concepts">Key Concepts</h2> <ul> <li>可复现性</li> <li>超参数记录</li> <li>工件管理</li> <li>版本控制</li> </ul> <h2 id="use-cases">Use Cases</h2> <ul> <li>比较不同超参数设置下的模型性能</li> <li>通过查看记录的指标来调试训练故障</li> <li>与团队成员协作进行共享实验</li> </ul> <h2 id="related-terms">Related Terms</h2> <ul> <li><a href="https://terms-en.ai-term-hub.com/en/terms/mlflow/">MLflow</a></li> <li><a href="https://terms-en.ai-term-hub.com/en/terms/%E6%A8%A1%E5%9E%8B%E6%B3%A8%E5%86%8C%E8%A1%A8/">模型注册表</a></li> <li><a href="https://terms-en.ai-term-hub.com/en/terms/%E8%B6%85%E5%8F%82%E6%95%B0%E8%B0%83%E4%BC%98/">超参数调优</a></li> <li><a href="https://terms-en.ai-term-hub.com/en/terms/%E6%95%B0%E6%8D%AE%E7%89%88%E6%9C%AC%E6%8E%A7%E5%88%B6/">数据版本控制</a></li> </ul>以数据为中心的AIhttps://terms-en.ai-term-hub.com/zh/terms/data_centric_ai/Sat, 18 Jul 2026 11:12:36 +0000https://terms-en.ai-term-hub.com/zh/terms/data_centric_ai/<h2 id="definition">Definition</h2> <p>以数据为中心的AI代表了人工智能开发的一种范式转变，其重点在于系统地改进用于训练模型的数据，而不是仅仅优化算法或超参数。这种方法认为高质量的数据是提升模型性能的关键。</p> <h3 id="summary">Summary</h3> <p>一种AI开发方法，优先考虑提高训练数据的质量和数量，而非修改模型架构。</p> <h2 id="key-concepts">Key Concepts</h2> <ul> <li>数据质量</li> <li>迭代优化</li> <li>标签一致性</li> <li>数据集策展</li> </ul> <h2 id="use-cases">Use Cases</h2> <ul> <li>通过修正错误标记的图像来提高计算机视觉的准确性</li> <li>通过平衡数据集来减少招聘算法中的偏见</li> <li>通过纠正训练文本中的语法错误来增强NLP模型的性能</li> </ul> <h2 id="related-terms">Related Terms</h2> <ul> <li><a href="https://terms-en.ai-term-hub.com/en/terms/model_training-%E6%A8%A1%E5%9E%8B%E8%AE%AD%E7%BB%83/">model_training (模型训练)</a></li> <li><a href="https://terms-en.ai-term-hub.com/en/terms/data_quality-%E6%95%B0%E6%8D%AE%E8%B4%A8%E9%87%8F/">data_quality (数据质量)</a></li> <li><a href="https://terms-en.ai-term-hub.com/en/terms/active_learning-%E4%B8%BB%E5%8A%A8%E5%AD%A6%E4%B9%A0/">active_learning (主动学习)</a></li> <li><a href="https://terms-en.ai-term-hub.com/en/terms/labeling-%E6%A0%87%E6%B3%A8/">labeling (标注)</a></li> </ul>