词汇表

F-Score，也称为 F1 分数，是一种用于评估机器学习模型性能的指标，尤其是在分类任务中。它提供了一种平衡精度和召回率的单一衡量标准，因此在类别分布不均衡或误报和假阴性都带来重大后果时，它特别有用。F 分数范围从 0 到 1，分数接近 1 表示性能更好，这既反映了正面预测的准确性，也反映了模型捕捉所有相关阳性案例的能力。

假阳性是指二元分类模型中的错误，在该模型中，当实际分类为负数时，该模型错误地预测了阳性类别。换句话说，当模型表明特定条件或属性不存在时存在时，就会出现误报。误报的含义在各种应用中至关重要，在这些应用中，不正确的阳性预测可能导致重大后果，例如在医疗诊断、欺诈检测或安全系统中。

假阴性是指二元分类模型中的错误，在该模型中，当实际类别为正时，该模型错误地预测了负数类别。换句话说，当模型未能检测到存在的条件或属性时，就会出现假阴性，从而错误地假设该条件或属性不存在。在无法识别阳性实例可能会产生严重后果的应用程序中，例如在医疗诊断、欺诈检测或安全系统中，假阴性的含义至关重要。

前馈神经网络是指一种人工神经网络，其中节点（神经元）之间的连接不形成循环。在这种类型的网络中，数据从输入层通过隐藏层（如果有）沿一个方向流向输出层。前馈神经网络的含义与其在分类、回归和模式识别等任务中的简单性和有效性密切相关。

特征工程是从原始数据中选择、转换和创建新特征（变量）以提高机器学习模型性能的过程。特征工程的目标是通过识别最相关和最具信息性的特征，或者生成能更好地代表数据中潜在模式的新特征，来增强模型的预测能力。这个过程对于建立有效的模型至关重要，因为特征的质量直接影响机器学习算法的准确性、可解释性和效率。特征工程广泛用于预测建模、客户细分和推荐系统等各种应用。

特征选择是从数据集中识别和选择最相关的变量的过程，这些变量对机器学习模型的性能有重大贡献。目标是通过关注最重要的数据属性来提高模型的准确性，减少过度拟合，提高可解释性，同时去除无关或冗余的特征。此过程在分类、回归和聚类等各种机器学习任务中至关重要，在这些任务中，所选特征的质量直接影响模型的成功。

正向传播是神经网络中的一个过程，在该过程中，输入数据通过网络各层传递以生成输出。在此过程中，网络的每一层对其接收到的输入应用一组权重和激活函数，将其转换并传递到下一层。正向传播的最终输出用于根据输入数据做出预测或决策。正向传播是神经网络中的一项基本操作，是训练和推理的基础。

微调是机器学习中的一个过程，在这个过程中，预训练的模型在一个通常较小的新数据集上进行进一步训练，以使其适应特定的任务或领域。微调的目标是利用模型在大型数据集的初始训练中已经获得的知识，并进行细微调整以优化其在新任务上的性能。该技术广泛用于迁移学习，神经网络等模型经过微调，使其在文本分类、图像识别或情感分析等专业应用中表现良好。

故障安全系统是指集成到系统中的一种设计或机制，即使在出现故障、故障或意外情况时也能确保系统保持安全和可运行。故障安全系统的目标是通过自动或手动恢复到安全状态来最大限度地减少损害，防止灾难性后果并实现恢复。这些系统在航空航天、汽车、核能和医疗保健等行业中至关重要，在这些行业中，故障可能导致重大损坏、伤害或生命损失。

‍

特征学习是指机器学习中的一组技术，这些技术使模型能够自动发现执行特定任务（例如分类或预测）所需的表示或特征。该模型不依赖手动设计的特征，而是学会在训练过程中从原始数据中提取最相关的特征。特征学习的意义与其通过允许机器学习模型识别和专注于数据中信息量最大的方面来提高机器学习模型的准确性和泛化的能力息息相关。