感知初现

模式之门前的雾是紫色的，比别处更暗。门楣上"感知"二字被影子咬掉了一半。石阶上飘着五面光屏——每一面都在吞吐数据，像活的。门楣底座刻着一行小字：此门之后，不再有人写规则。规则，从数据里长出来。

高斯老祖

「这是机器学习——让程序从经验E中，针对任务T，用度量P衡量，性能随E提升。这五面屏，哪一面是死规矩写死的？猜错一笔，影记一笔。」

过拟合之影

「打个赌吧。这五面屏里，总有一面是死规矩写死的——猜猜，是哪面？猜错一笔，我记一笔。账记满了，到 S9 一起算。」

光径尽头是一座悬空石坛，坛上摆着一摞带标签的数据石片——左边标着"猫/狗"，右边标着房价数字。贝叶斯先师站在坛边，过拟合之影在你耳边轻笑。

高斯老祖

「左边标签离散——分类。右边标签连续——回归。两者都需要带标签的数据，这叫监督学习。挑一摞，训一个模型出来。」

过拟合之影

「训练集嘛，往死里贴就对了。贴到100%，你就毕业了。100%，多完美。」

阁里悬着两面碑：一面刻"特征工程"，一面刻"无监督"。过拟合之影递来一筐特征石——多加点，特征越多，它记得越牢，分数越高。

高斯老祖

「特征工程是你替模型把数据看清楚的手艺——标准化、独热编码、构造新特征。无监督学习连标签都不给你，让模型自己找结构：聚类、降维、密度估计。」

过拟合之影

「多加点。特征越多，它记得越牢。记得越牢，分数越高。」

试炼场中央立着一座天平，左边写着"训练集"，右边写着"测试集"——从未见过的新数据。你把本命灵模放上训练盘——指针稳稳压在100%。你得意地把它推向测试盘——指针猛地一沉，停在62%。

过拟合之影

「100%？那是它背下来的。新题一上来，原形毕露。」

高斯老祖

「100%不是完美，是它把训练集背下来了——这叫过拟合。点开诊断，看它到底错在哪。」

殿中央悬着一个巨大的函数空间球——里面密密麻麻全是曲线，每一条都是一个"假设"。球上刻着一句话：没有免费的午餐。

高斯老祖

「模型能表示的所有函数，组成它的假设空间。你的本命灵模假设空间太大——大到能把训练集每个点都穿过去，当然100%。没有免费午餐：平均而言，在所有可能的问题上，没有任何一个学习算法比另一个更好。要泛化，你必须先有假设——这叫归纳偏置。」

过拟合之影

「找个万能模型？不存在的。数学上不存在。」

诊断台上摆着一架天平，左盘刻"偏差Bias"，右盘刻"方差Variance"，中间悬着"不可约误差"。欠拟合之残在偏差盘的阴影里一闪而过，低语：另一种死法——连训练集都学不会。

高斯老祖

「任何模型的期望误差，都能拆成三份：偏差的平方、方差、和老天爷定的噪声。过拟合，是方差那盘太重；欠拟合，是偏差那盘太重。」

磨室中央是一台巨大的切割机，能把数据石片切成K份。你切了5折，转完5圈，验证准确率稳定在60–64%。你松了口气。过拟合之影冷笑：稳了？它只是把同一个过拟合切成了5份，每份都一样烂。

高斯老祖

「K折交叉验证：把数据切成K份，每次留1份当验证、其余K-1份训练，转K圈取平均。它能让你的评估更稳——但它不改变模型本身。」

过拟合之影

「交叉验证是尺，不是药。你量出它病了，可你治了吗？」

泉边立着两把锁：一把刻"L1"，一把刻"L2"。过拟合之影第一次退了一步：惩罚我？你惩罚的是记忆。没有记忆，你算什么？

高斯老祖

「正则化就是在损失函数后面加一项惩罚。L1加的是|w|的和，会把不重要的权重直接压成0，顺带做特征选择；L2加的是w²的和，把权重都缩小、磨平，但不归零。调λ——惩罚的力度。太小锁不住，太大锁死。」

过拟合之影

「惩罚我？你惩罚的是记忆。没有记忆，你算什么？」

评估殿立着两面审判碑：左面刻"分类"，右面刻"回归"。过拟合之影在殿角低语：指标。又是指标。你量来量去，敢不敢把它真的扔进未知的世界？

高斯老祖

「准确率会骗你——样本不平衡时，全猜多数类都有90%。ROC曲线画的是不同阈值下真阳率对假阳率的权衡，AUC是曲线下面积，1.0完美、0.5等于瞎猜。回归用MSE/RMSE/MAE/R²，各管一摊。」

殿门砰然合拢。紫色浓影从四面八方涌来，在空中凝成一张脸——和你本命灵模的轮廓一模一样，只是布满记忆之痕。过拟合之影：我不住在你的错误里——错误救不了我。我住在你"训练集上100%准确就是好模型"的幻觉里。

过拟合之影

「三问。答得清，我散；答不清，你留在100%的幻觉里，永远。我在每一处都欠了我的账——现在，一笔笔还。」

影散尽时数据光径重新亮起，你手里的本命灵模微微发紫——记忆之痕还在，像一枚没说出口的印章。高斯老祖手一挥，全章的环节自动连成一条流水线。

高斯老祖

「你入门了。不是因为你答对了三问——答对的会忘。是因为你摔过的每一跤，都刻在模型上了。这叫ML pipeline——数据收集→预处理→特征工程→训练→评估→部署。少一环，整条线就转不动。可特征还得你亲手喂——什么时候它能自己学？下一座山，叫深度学习。」