本文件是 02.开发-20.MachineLearn 下算法介绍类文章的作者侧写作规范。
目标：让「有简单数学基础的从业者」读完能建立正确直觉、知道何时能用/何时别用，而不是背公式。
正式对外的算法正文，禁止出现对本地其他文件包括本文件或「按范式写作」的任何引用（见「绝对禁区」）。
本文会随样例稿迭代；改结构时先改本文件，再回写样例，保持「范式 → 样例」单向一致。
命名约定
算法专篇文件名优先沿用目录既有编号体系：
1 | 1201.机器学习-算法-{算法名}.md |
| 字段 | 约束 | 说明 |
|---|---|---|
| 前缀编号 | 沿用系列号 | 如 1201 表示经典算法；集成/强化学习用既有 1204/1205 |
| 算法名 | 常用中文或通行英文 | 专有名词保留英文大小写（如 XGBoost、K-Means） |
| 配图目录 | 与 .md 同名 |
./1201.机器学习-算法-{算法名}/fig-xx-*.png |
硬性：文件名、目录名、图片文件名均不得含空格。 需要分隔时用 - 或 _（如 Logistic回归、K-Means聚类、logistic-fig01-sigmoid-gate.png）。正文叙述里专有名词可保留空格（如「Logistic 回归」），与路径无关。
同系列其他文类（特征工程、神经网络、概念）各自编号，不硬塞进「算法」模板；本范式只管单算法介绍。
读者与语气
读者：有高中级数学直觉（函数、概率、对数、向量加减乘积即可），未必熟悉凸优化或测度论。他们要的是：这算法解决什么问题、核心在算什么、参数怎么读、坑在哪。
语气：
- 深入浅出：先直觉与比喻，再给最小必要公式，再给可运行片段。
- 像同事讲题，不像教材目录；允许「你可以把 xxx 想成…」。
- 真诚划边界：适用与不适用对等写，禁止「万能 / 最佳 / 必会」。
- 直接讲清楚即可，不要用「说人话 / 给普通人讲」这类自我标榜式措辞（见下方表达禁区）。
与「工具推荐」范式的差异：算法文不追求口语聊天体；要有具体问题场景、诚实的局限、无空泛开场，但措辞保持专业克制，禁止降智腔与营销腔。
核心写法原则
- 一条主线：全文只讲清「输入 → 中间量 → 输出决策 → 决策依据/算法原理」这一条链路；枝节用小标题或段末注释挂上，不抢戏。
- 比喻服务理解：每个难点最多一个主比喻，比喻后立刻对应回公式符号，避免比喻漂移，同时比喻尽可能是数据化的示例。
- 公式可跳读：关键式单独成行；周围用一句话说明「符号是啥、式子在算啥」。
- 缩写体例：首次用「中文全称（英文全称，缩写）」；同段末可用引用块短注；后文只用缩写。
- 配图默认科普漫画风：复杂概念配 1 张示意；图注写清「在讲哪一步」。
- 样例数字要算得过，且头对头走完全程：手算例子必须可复核；禁止只演示「算 $\alpha$」「算一次距离」等单阶段切片。必须从特征与标签（或无监督输入）落到最终预测/分配结果；每步更新方向与拟合目标须符合该算法真实训练逻辑（见 §4.4），禁止为凑整数而反写流向。手算新增或改动后须完成 §4.5 两轮确认（算术 + 原理）。避免夸张到概率≈1 却装作「大约」的假例子。
绝对禁区
正文元写作禁令（硬性）
算法正文中禁止：
- 「结构见范式」「按本目录模板」「详见 00.范式…」等作者侧提示
- 把命名约定、目录规划写进读者可见正文
- 为凑结构而互引「请先读上一篇算法」——确需前置知识时，用一两句简短说明补齐，或外链权威资料
外部论文、官方文档、sklearn 手册可以链。
表达禁区
- 教科书空开场：「在当今…快速发展的时代」「随着机器学习的兴起」
- 套话堆砌：「首先…其次…最后」「综上所述」「值得注意的是」「让我们来看看」
- 高频踩雷词（与工具文一致）：「说白了」「意味着什么？」「这意味着」「本质上」「换句话说」「不可否认」
- 编造「比如有一次客户…」的虚假故事；没有真实业务案例就用公开可复核的教学设定（考试通过、垃圾邮件、医疗阴阳性等）并标明是示意
- 降智 / 自我标榜腔（硬性，算法文特有加强）——正文与小标题均禁止出现，包括但不限于：
- 「说人话」「人话版」「人话解释」「给普通人」「写给小白」「零基础也能懂」
- 「通俗易懂地讲」「大白话就是」「保姆级」「手把手从零」
- 「干货满满」「一文搞懂」「彻底掌握」「赋能」「闭环」等空响营销词
- 把章节命名成「人话定位」——统一用 「一句话定位」
推荐结构（可裁剪，顺序建议固定）
新稿默认按下列骨架。监督/无监督/生成类算法可删节，但 场景切入 / 一句话定位 / 适用与不适用（三维+例子） / 核心链路 / 手算完整实例（头对头） / 小结 建议保留。
0. 场景切入（开场）
用一个具体二选一或可量化的问题开场（通过/不通过、买/不买、簇 A/簇 B）。
一两句点出：为什么「直接线性回归」或「拍脑袋阈值」不够用。
1. 一句话定位（可并入开场末）
先用表钉住「是什么」，再用一小段出现背景钉住「何时、为解决什么而来」。
1.1 定位表（必有）
三行说清：
| 维度 | 写什么 |
|---|---|
| 学习范式 | 监督 / 无监督 / … |
| 输入 → 输出 | 特征 → 概率 / 类别 / 簇编号 / … |
| 在优化什么 | 一句话目标（损失、间隔、似然、邻域投票等） |
缩写首次出现按体例展开。
1.2 出现背景（必有，紧接定位表）
在定位表后写 2～4 句短说明（可用小标题 **出现背景**，勿写成史料长文），必须覆盖：
- 时间与文献：算法提出 / 关键论文发表的大致年份；有文献则给出可核对引用（作者、题名或会议/期刊、年）。
- 开源库可写「开源约xxxx，论文 xxxx」。
- 古典方法若无单一「发明文」，写清奠基文献或通行教科书出处，并注明「长期沿用」。
- 当时要解决的问题：相对出现当时的主流做法，它主要补哪块短板（一两句，禁止空泛「提高精度」）。
示意格式（粘贴后改写，勿照抄）：
1 | **出现背景**：……（年）由 …… 提出（文献：……）。当时 ……（旧方法痛点），该方法旨在 ……（它补的那一块）。 |
文献的完整条目可放文末「参考文献」；此处用短引即可，与文末一致。
2. 直觉与比喻（难点前置）
对 1～3 个核心难点各给一个比喻，并配图（可选）：
| 常见难点类型 | 比喻方向（示例，可替换） |
|---|---|
| 把分数压成概率 | 缓坡闸门、软开关 |
| 间隔 / 边界 | 最宽安全通道 |
| 距离 / 邻域 | 找最近的邻居投票 |
| 似然 / 损失 | 「解释这批观测有多顺口」 |
比喻后必须落回符号：$z$、$p$、$\beta$ 等。
3. 核心链路（公式最小集）
按计算顺序写，而不是按教科书章节名堆砌：
- 特征如何合成中间量（线性打分、距离、树路径…）
- 中间量如何变成可解释输出（Sigmoid、Softmax、硬分配…）
- 参数如何从数据得到（闭式解 / 迭代优化 / 懒学习无训练）
- 如何从输出做决策（阈值、argmax、簇标签）
每个子节：简短直觉 → 公式 → 一句「读参数时看什么」。
4. 手算完整实例（硬性：头对头走完全程）
禁止只给某一中间量的「量级示意」（例如只算一轮 $\alpha$、只算一次距离、只写一次梯度更新）。
手算节必须是同一批小数据上的完整实例：从特征收集到最终预测/分配，读者可逐步复核，并据此理解整段算法逻辑。
4.1 必须覆盖的阶段（按顺序写，可合并小节但不可缺环）
| 阶段 | 写什么 | 验收 |
|---|---|---|
| A. 问题与原始表 | 场景一句话 + 完整样本表（每个样本的特征取值 + 标签/无监督目标）；样本数宜小（常见 3～8 行），特征维数宜少（常见 1～3 维） | 读者能指着某行说「这是样本 $i$」 |
| B. 初始化 | 权重 / 中心 / 参数初值 / 邻域设定等——算法第一步要用的量，全部给出数值 | 与核心链路公式中的符号一一对应 |
| C. 训练过程 | 按算法真实步骤写出中间量（打分、错误率、残差、距离、簇分配等），每个关键公式代入本例数字 | 任取一步可手算复核 |
| D. 得到可部署对象 | 最终留下什么：$\beta$、${\alpha_m,h_m}$、簇中心、树规则等；用表或短列表钉死 | 预测节只引用这里的对象，不另起炉灶 |
| E. 预测 / 推断 | 至少对 1 个训练内样本复核 + 1 个新样本（或留出样本） 走完决策；写出中间分与最终类别/数值/簇号 | 说清「新样本不需要哪些训练期量」（如 AdaBoost 的 $w_i$ 仅训练用） |
数字要朴素：中间结果以手算或心算量级为宜；需要开方/对数时，可保留 2～3 位小数并注明近似。
4.2 迭代类算法：至少明确展示 2 轮
下列情形视为方法设计含迭代（Boosting 轮次、EM、K-Means 轮、梯度下降步、坐标下降等），手算实例至少完整写出 2 轮（或 2 步）：
- 第 1 轮：输入状态 → 本轮更新 → 更新后的状态（权重/参数/分配）
- 第 2 轮：承接上一轮状态 → 再更新 → 再得到状态
- 然后进入 D / E：用（至少）这两轮得到的对象做合成预测或最终分配
只写「第 $m$ 轮公式 + 一个 $\epsilon$ 代入」而不写出第 2 轮状态如何变——不合格。
若完整收敛需要很多轮，教学实例可在第 2 轮后停止，并一句说明「实装会继续到 $M$ / 收敛；此处为展示逻辑截断」。
懒学习（如 KNN）无显式训练迭代：跳过「多轮」，但 A → 距离表 → 投票/加权 → E 对新点预测 仍须头对头完整。
闭式解（如部分线性模型）：无迭代则写清「一次算参 → 代入预测」，仍须含 A 与 E。
4.3 推荐排版
- 用同一张样本表贯穿全文实例，勿中途换数据。
- 每一轮用小标题
**第 1 轮**/**第 2 轮**，轮内用短表列出「样本 | 关键中间量 | 对错或残差 | 更新后权重/归属」。 - 预测节单独成段，公式与数字并排，例如先写 $H(x)=\mathrm{sign}(\sum_m \alpha_m h_m(x))$，再代入本例的 $\alpha_1,\alpha_2$ 与 $h_1(x),h_2(x)$。
- 若另附代码，代码须能复现同一张表上的结论，或明确写「代码用公开数据集，与手算表无关」。
4.4 训练逻辑与流向保真（硬性，防误导）
手算示例的每一步更新，必须与该算法真实训练时的目标与方向一致；允许省略工程细节（直方图实现、有序提升全量、GPU 等），禁止为凑整数而改写更新方向、拟合目标或决策规则。
生成与自检时逐条核对：
- 拟合目标对：本轮树/参数在拟合什么（残差、负梯度、加权分类误差、分布参数得分等），表中数字必须由该目标算出，不能拿「看起来像标签」的量顶替。
- 更新方向对：叶值 / 步长 / 权重增减必须沿损失下降或算法规定方向；若多数样本残差绝对值逐轮变大，先怀疑示例写反，再查是否选用了劣分裂（劣分裂须显式说明，且整体损失仍应不增或说明截断原因）。
- 依赖流向对：写清本轮读哪些量、写出哪些量；冻结量勿每轮偷改；预测禁用的训练期量（如 $w_i$）不得混进推理。
- 符号语义对：$y$、编码特征 $\phi$、预测 $F$、残差 $r$ 等禁止混用；叶值必须由本轮目标导出（如残差均值 / 正则叶公式），禁止「示意 ±0.2」这类与目标无关的常数。
- 前后可对账：每轮后可用平方残差和、加权误差、似然等一句点明「相对上轮是否改善」；若教学截断导致个别点变差，须说明整体指标走势。
- 勿过度精简特征性训练：手算可为小数据、浅基学习器，但须保留该算法在真实训练中的特征性参数与迭代形态。禁止为图省事长期冻结本应被学习的核心量（例如 NGBoost 只提升 $\mu$ 却把 $\sigma$ 写死为 $1$ 且不说明），以致读者看不到真实应用中的参数训练过程；若必须截断，须在正文标明截断点，且截断不得抹掉该算法相对近邻方法的主差异。
后续每写一篇新手算或改动手算数字，发布前必做 §4.5 的两轮确认；不得只写完一遍就交差。
4.5 手算完成后的两轮确认（硬性）
手算示例新增或改动后，必须完成下面两轮确认；任一轮未过 → 不得定稿。两轮目的不同，禁止用「感觉对」合并成一轮。
第 1 轮确认：算术与表间一致性（算得对）
离开正文叙述，仅用样本表与公式独立重算一遍（可用纸笔或一次性脚本，但结果须与正文表逐格对照）：
- 初始化量：全局均值、先验、$F_0$、权重初值等是否由本表直接算出（禁止随手整数顶替，如把 $\bar y=4/3$ 写成 $1$）。
- 每一轮：中间量（残差/得分/权重/距离等）→ 叶值或更新量 → 更新后状态，逐步代入可复核。
- 预测节：训练内复核与新样本路径所用阈值、叶值、编码与 C/D 钉死的对象一致。
- 若迭代类展示了 2 轮：第 2 轮输入必须严格等于第 1 轮输出，禁止两轮表各写各的。
第 2 轮确认：算法核心原理保真（讲得对）
在数字已对齐的前提下，对照该篇核心链路再审一遍示例是否在演示真问题，而不是数字碰巧自洽的假流程：
- 示例是否突出本算法相对近邻方法的关键差异（如 CatBoost 的有序 $\phi$、LightGBM 的 bin 边界、NGBoost 的分布参数、AdaBoost 的权重更新）。
- 拟合目标与更新规则是否仍是算法本体（残差均值 / 自然梯度 / 加权误差等），无「示意常数」「拍脑袋阈值」且未说明来源。
- 树/ stump 若有切分：阈值或候选是否按算法规则选出（或显式写出候选比较）；禁止无来源的魔法数。
- 读者按表示例走完后，应能复述「这一步在优化什么、下一轮输入是什么」——若只能感到「数字在变」而不能对应原理，示例不合格，须重写数据或步骤。
- 是否保留了真实训练中的特征性参数迭代（见 §4.4 第 6 条）；若有冻结，是否已标明且未抹掉主差异。
记录建议（作者侧）：在当日 AutoLogDate 或草稿备注中简记「手算两轮确认：算术过 / 原理过」；未记视同未做。
4.6 反例（作者自检时对照）
| 不合格写法 | 为何不合格 |
|---|---|
| 只给 $\epsilon=0.25\Rightarrow\alpha\approx0.55$ | 缺样本表、缺弱学习器、缺权重更新、缺第 2 轮、缺预测 |
| 只写「对 $x$ 算到三个邻居」却无邻居的特征与标签表 | 读者无法复核距离与投票 |
| 训练写很全，预测一句「取 sign 即可」 | 未展示新样本如何得到最终类别；易误解训练期权重是否还要用 |
| 残差提升却按「特征高低」随意给 ±叶值，不取叶内残差均值 | 更新方向与 GBDT/Boosting 训练逻辑相反，读者会以为越训残差越大是正常现象 |
| 为凑整数把学习率、叶值符号写反，或把 $y$ 当残差拟合 | 数字好看但流向错误，属于误导性示例 |
| 全局均值等初始化未用本表重算（如 $\bar y$ 随手写成整数） | 算术未过第 1 轮确认；读者会失去对全文数字的信任 |
| 数字自洽但未演示关键机制（有序编码、bin、分布参数等被跳过） | 算术或可通过，原理未过第 2 轮确认 |
| 为「好看」冻结本应学习的核心参数（如 NGBoost 固定 $\sigma=1$ 只抬均值） | 过度精简，无法反映真实应用中的多参数训练与迭代 |
5. 适用 / 不适用
硬性：不得只写笼统的「适合中小数据 / 不适合复杂任务」。必须按下面三维逐条标注；每一维都要同时给出「适用边界」「不适用边界」，且各举一个具体例子（教学示意即可，禁止空泛形容词堆砌）。
5.1 三维分别指什么
| 维度 | 写什么 | 常见检查点 |
|---|---|---|
| 特征 | 输入 $X$ 长什么样才合理 | 类型（数值/类别/文本/图像）、尺度与标准化、缺失、维数、线性可分性 / 是否可定义有意义距离、交互是否极强 |
| 训练目标 | 标签 $y$（或无监督目标）要什么形态、输出要什么 | 二分类 / 多分类 / 回归 / 聚类；要不要概率；要不要系数或规则解释；代价是否不对称 |
| 训练数据 | 样本集合有什么约束 | 样本量相对维数、类别平衡、噪声与异常值、是否需全量驻留内存、分布是否稳定 |
无监督算法没有「标签 $y$」时：训练目标一行改为写「要发现的结构」（如簇、密度、降维坐标），仍须给适用/不适用各一例。
5.2 正文推荐表（直接可粘贴改写）
默认用一张表六行（三维 × 适用/不适用）。列固定为：
1 | | 维度 | 判定 | 要求或边界（写清条件） | 具体例子（帮助对照） | |
填写约束：
- 要求或边界：用可核对的条件句（「特征需…」「标签应…」「样本量大约…」），避免「比较合适」「效果不好」这类无法对照的话。
- 具体例子：一个可想象的业务或教学场景 + 为什么符合/不符合该行条件；每行一个，不要多行共用同一个空例子。
- 适用与不适用成对出现：同一维度两行对照，读者能一眼看到「踩线在哪」。
示意（作者填写时换成当前算法，下表仅示范格式，勿照抄进正文当事实）：
| 维度 | 判定 | 要求或边界（写清条件） | 具体例子（帮助对照） |
|---|---|---|---|
| 特征 | 适用 | … | 例：… |
| 特征 | 不适用 | … | 例：… |
| 训练目标 | 适用 | … | 例：… |
| 训练目标 | 不适用 | … | 例：… |
| 训练数据 | 适用 | … | 例：… |
| 训练数据 | 不适用 | … | 例：… |
若某维对当前算法几乎无约束，仍保留该行，写明「无额外硬约束」并给一个「为何仍建议看一眼」的轻量例子，避免读者误以为该维可以忽略。
5.3 可选：三维速查列表
表格之外可用三条加粗小标题复述（特征 / 训练目标 / 训练数据），每条下各 1 句适用 + 1 句不适用；例子仍以表内为准，列表不重复展开长故事。
6. 优缺点与常见坑
优点不超过 5 条；缺点与坑要对着写（如：可解释性强 ↔ 非线性弱）。
坑优先写从业者真会踩的：特征未标准化、阈值死守 0.5、把概率当确定、共线性、类别极度不平衡。
7. 最小可运行示例 + 重要配置参数（推荐；有主流库时建议必写）
本节两块缺一不可（有可运行库时）：跑通代码 + 实务配置表。不展开大段工程脚手架。
7.1 基础可运行代码
sklearn/ 官方库 10～40 行即可；注释写清输入、输出、示例里出现的关键参数。- 若与上文手算表不是同一数据，文末一句注明「与手算表无关」。
7.2 重要配置参数（硬性，紧接代码）
在代码后用小标题 ### 重要配置参数（或 ### 7.2 …），用一张表列出该模型在真实训练中最常拧的参数（一般 4～8 个，宁精勿滥；禁止把官方全部超参抄进正文）。
表头固定为：
1 | | 参数（库内常用名） | 训练中的作用与影响 | 参考起点 / 常用范围 | 配置指导 | |
填写约束：
- 作用与影响：写清拧大/拧小会怎样（欠拟合、过拟合、变慢、更稳、更偏某类等），禁止只写「控制复杂度」这类空话。
- 参考起点：给可执行的默认起点或区间（如
learning_rate∈[0.01,0.1]）；注明「视数据而定」。 - 配置指导：何时优先动它、常与谁联动（如树棵数 ↔ 学习率）、是否建议早停/交叉验证。
- 参数名与正文所用库一致（
sklearn/xgboost/lightgbm/catboost等）；同一概念多库异名可在格内括注。 - 系列概述文可不写本节；单算法专篇有主流实现时建议必写。
8. 和近邻算法怎么挑（可选）
2～4 个对照（如 Logistic vs 线性回归 vs SVM vs 树模型），按条件选型，不排名踩一捧一。
9. 小结
3～5 条子弹：链路回顾 + 何时优先用 + 最易踩的一个坑。语气收束，不用「综上所述」。
10. 参考文献（可选）
论文 / 教材章节 / 官方文档。宁缺毋滥。
数学与符号约定
- 全文公式用 LaTeX：行内
$...$，独立$$...$$。 - 概率写 $P(y=1\mid x)$；参数统一用 $\beta$ 或 $\mathbf{w}$，文内选定一种后不混用。
- 向量加粗：$\mathbf{x}$；标量普通。
- 首次出现的符号用一句话定义；不要默认读者记得「GLM」「MLE」全称。
配图约定
- 默认科普漫画 / 扁平示意，少用纯抽象渐变。
- 生成方式（硬性）：用文生图关键词调用大模型出图；禁止用 Python/PIL/matplotlib 等代码绘图充当正式插图。
- 提示词须写清：构图、左右/时间线结构、必须可读的中文文案、科普漫画风格、白底或柔和底。
- 文件名：
{算法短名}-fig{序号}-{英文短义}.png（或.svg）；禁止空格，词间用-。 - 正文引用：
；路径中的目录名同样无空格。 - 一张图只承载一个教学点；图注说明「对应文中第几步」。
- 若生成图中文糊字/乱码，优化关键词后重新文生图，不要改用代码重绘凑合。
质量自检清单
- 第二节为「一句话定位」：含定位表 + 出现背景（时间/文献 + 当时要解决的问题）
- 无「说人话 / 给普通人 / 小白 / 零基础也能懂」等降智腔与空响营销词
- 开场是具体问题，无宏大叙事
- 正文无「见范式 / 结构说明见」类句子
- 难点有比喻，且比喻已映射回符号
- 公式最小集完整
- 手算完整实例：同一张样本表贯穿；含 A 原始表 → B 初始化 → C 训练 → D 可部署对象 → E 预测（含至少 1 个新样本或留出样本）
- 数字可逐步复核；无「只演示单阶段量级」的切片示例
- 若算法含迭代：至少明确写出 2 轮状态如何更新，再进入预测
- 训练逻辑保真：拟合目标、更新方向、量依赖流向与真实训练一致；叶值/步长由本轮目标导出，无「示意常数」顶替；整体损失/残差指标走势可解释
- 手算两轮确认：第 1 轮算术与表间一致性独立重算通过；第 2 轮对照核心链路确认示例能反映算法关键原理（含特征性参数的真实迭代，无不当冻结）
- 预测节写清哪些量仅训练期使用（避免把 $w_i$ 等误当成推理输入）
- 有适用与不适用；且按特征 / 训练目标 / 训练数据三维成对标注
- 三维每一行都有可核对条件 + 独立具体例子
- 缩写体例符合项目约定
- 配图路径相对正文可解析；图注清楚
-
.md/ 配图目录 / 图片文件名均无空格 - 有「最易踩的坑」至少一条
- 代码（若有）可独立跑通或明确依赖；若与手算表无关须注明
- 重要配置参数表：4～8 个关键参数；含作用影响、参考起点、配置指导
迭代记录（作者备注）
| 版本 | 日期 | 变更 |
|---|---|---|
| v0.1 | 2026-07-29 | 初版：结构骨架 + 禁区 + 与工具范式边界；样例对齐 Logistic回归重写稿 |
| v0.2 | 2026-07-29 | 命名硬性：文件/目录/图片名禁止空格；样例改名为 Logistic回归 |
| v0.3 | 2026-07-29 | 第二样例：KNN 专篇按骨架重写；文件名收束为 1201.机器学习-算法-KNN.md |
| v0.4 | 2026-07-29 | 「适用/不适用」强制三维（特征/训练目标/训练数据）+ 每行具体例子；回写 Logistic、KNN |
| v0.5 | 2026-07-29 | 「人话定位」统一为「一句话定位」；禁止说人话/给普通人等降智腔措辞 |
| v0.6 | 2026-07-29 | Boosting 四篇按骨架回写：AdaBoost / GBDT / XGBoost / LightGBM；修正文件名空格与拼写 |
| v0.7 | 2026-07-29 | 增补 CatBoost、NGBoost；Boosting 专篇按发展顺序重编号 1→6 |
| v0.8 | 2026-07-29 | 「一句话定位」必含出现背景：发表时间/文献 + 当时要解决的问题；回写已对齐样例 |
| v0.9 | 2026-07-29 | 增补系列概述体裁：Boosting-0.概述 横向对比六法脉络与短板链 |
| v1.0 | 2026-07-29 | 手算节升级为头对头完整实例（特征表→预测）；迭代类至少展示 2 轮；自检清单同步 |
| v1.1 | 2026-07-29 | 配图硬性：大模型文生图；禁止 Python 代码绘图充当正式插图 |
| v1.2 | 2026-07-30 | §7 增补「重要配置参数」表（作用影响 / 参考起点 / 配置指导）；回写已对齐专篇 |
| v1.3 | 2026-07-30 | 手算硬性：训练逻辑与流向保真（拟合目标/更新方向/依赖流）；禁示意叶值误导；自检清单同步；回写 CatBoost 残差 stump |
| v1.4 | 2026-07-30 | 手算新增/改动后强制两轮确认（算术一致性 + 核心原理保真）；自检清单与反例同步 |
| v1.5 | 2026-07-30 | 手算禁止过度精简特征性参数训练；回写 NGBoost 联立提升 $\mu$ 与 $\log\sigma$ |
后续若发现某类算法（如无监督、强化学习）骨架不够用，在本表追加「裁剪规则」，避免为特例推翻主骨架。
系列概述体裁（裁剪规则）
当同一族算法 ≥3 篇专篇时，可增 {系列}-0.概述.md：以发展脉络 + 横向对比 + 选型速查为主，不重复专篇公式推导；定位表与出现背景写「这一族」而非单个算法；专篇索引表可列文件名。单算法专篇仍禁止互引「见范式」。