机器学习
基线（baseline）
/ BAYS-line /
基线，是你最先搭起来的一个简单、朴素的参照点，好让你判断那个花哨的模型到底值不值钱。它回答了每个项目在庆祝之前都必须问的一个问题：跟什么比？一个声称能 70% 准确预测下雨的天气预报员，听上去挺唬人——直到你得知，在那种干燥气候里，单纯地每天都猜「不下雨」本可以有 75% 的准确率。那个蠢猜测就是基线，而它刚刚赢了那个花哨的模型。
基线有不同程度的简单。最简单的，就是每次都预测最常见的那个答案，或者预测平均值，把所有特征统统无视。略微丰富一点的，会用一条显而易见的单一规则，或一种基础、为人熟知的方法。无论哪种，要点都一样：基线搭起来便宜、容易理解，给你一把诚实的尺子。一个无法明显胜过基线的新模型，纵有千般精巧，也没干好它的本职工作。
基线防范的，是一种很人性的失误：被一个无从比较的数字晃花了眼。「95% 的准确率」单看毫无意义——如果 95% 的邮件本就不是垃圾邮件，那么一个把所有邮件都盲目标成「非垃圾」的模型，同样能拿 95%，却一封垃圾邮件都没抓到。先立起基线，能让你保持诚实，把力气集中到「简单办法确实不够用」的问题上，而且常常会揭示：那个简单办法其实一直就够用了。
在搭建一个客户流失预测器之前，分析师注意到：88% 的客户都会留下来。于是那个最微不足道的基线——「预测人人都留下」——就有 88% 的准确率。如今任何真模型都必须越过 88%，才算挣得了它的位置；一个只拿 86% 的模型，还不如什么都不做。
永远要问「跟什么比？」——没有基线，一个分数毫无意义。
在搭复杂模型之前、而非之后，先把基线立起来。人们很容易跳过这一步，去欣赏一个大数字，可基线是「防止自欺」最便宜的一份保险——而且它有时还会悄悄取胜。
又称
另见