本表聚焦于分析推理过程中的核心概念。具体工具名称请参见实现指南。
| 术语 | 核心含义 |
|---|
| 问题 (Question) | 分析旨在支持的决策、对比、估算或解释。 |
| 观测 (Observation) | 数据集中记录的一个单元、事件或测量值。 |
| 特征 (Feature) | 作为模型输入的实测或衍生变量。 |
| 目标 / 标签 (Target / Label) | 监督模型需要预测的结果变量。 |
| 总体 (Population) | 结论旨在描述的全量案例集合。 |
| 样本 (Sample) | 用于推断总体特征的观测子集。 |
| 模式 (Schema) | 定义存储数据结构的名称、类型、约束及关系。 |
| 溯源 (Provenance) | 数据的来源、采集或转换过程，以及责任人。 |
| 基线 (Baseline) | 复杂分析应当超越的简单参照方法。 |
| 指标 (Metric) | 衡量误差、效用、拟合度或其他关注属性的具体规则。 |
| 训练集 (Training Set) | 用于估计模型参数的数据。 |
| 验证集 (Validation Set) | 开发阶段用于模型选择与调参的数据，独立于最终测试集。 |
| 测试集 (Test Set) | 留出数据，用于在既定评估设计下最终估算泛化能力。 |
| 数据泄漏 (Data Leakage) | 训练或特征构建过程中混入了模型实际部署时不可用的信息。 |
| 混杂变量 (Confounder) | 同时影响解释变量和结果，从而扭曲因果解释的变量。 |
| 校准 (Calibration) | 在特定评估设定下，预测概率与实际发生频率的一致性。 |
| 可复现性 (Reproducibility) | 基于记录的数据、代码、环境、参数及步骤，他人可重新运行并还原分析结果。 |
损失、目标函数和指标区分的是用途，不一定是公式。损失给单次预测评分；训练目标汇总损失，并可能加入惩罚项；评估指标描述指定总体和数据划分上的某种性质。例如，分类器可以最小化对数损失，却按固定审核容量下的召回率评估。参数在训练过程内拟合；超参数控制训练过程，并通过验证选择。示例见机器学习核心概念。
需要明确限定的词汇
- 平均 (Average)：必须指明具体统计量——是均值、中位数、加权平均，还是其他定义。
- 准确率 (Accuracy)：需说明具体指标及类别分布；单看准确率可能掩盖关键错误。
- 代表性 (Representative)：需说明针对哪个总体，以及由何种抽样机制支撑该结论。
- 显著 (Significant)：需区分统计显著性与实际业务重要性。
- 相关 (Correlation)：切勿将统计关联直接等同于因果结论。
一句精确的描述胜过冗长的术语表。如果某个术语无法改变工作的执行方式或解释逻辑，它就不需要在此处给出规范定义。