机器学习入门时我踩过的那些认知坑

先说个真实场景。实习生问我：“为啥模型训练集准确率99%，测试集只有63%？”一看代码，数据没打乱直接切分，前80%全是A类，后20%全是B类。这不是过拟合，是数据泄露加分布不均的混合双打。

很多入门教程一上来就甩公式，看得人头皮发麻。但机器学习最核心的直觉就一句话：让模型在没见过的数据上也能表现好。训练集是练习题，验证集是模拟考，测试集才是高考。背答案没用，得真会解题。

我初学时迷信复杂模型，觉得XGBoost一定比逻辑回归强。后来听一位搞风控的同行说，他们线上仍用逻辑回归，因为可解释性强，监管要看每个变量的权重。模型选择不是比谁参数多，而是比谁更适配业务场景。

工具链方面，GitHub Copilot补全模板代码确实快，但生成的代码不能直接信。有次它给StandardScaler补全时直接fit了测试集，典型数据泄露。review时发现了，否则线上效果虚高，上线后崩得妈都不认识。

版本管理上，Git是救命的东西。我习惯每次调参前先commit，实验记录写在message里：

git commit -m "feat: add l2 regularization, val_auc 0.87"

回滚时一目了然。别学我以前调参到半夜，把最好的权重覆盖了，想死的心都有。

训练/验证/测试的划分方式常被忽视。时间序列数据不能随机切，得按时间先后；类别不平衡要用分层采样。sklearn里train_test_split的stratify参数就是干这个的。很多人不知道，切出来的验证集类别分布跟真实情况差很远。

最后聊两句心得。入门别急着上深度学习，先把数据处理好，评估指标搞清楚，交叉验证跑明白。调参炼丹这条路，慢就是快。

假期还剩几天，准备把烂尾项目捡起来，用Git好好管理版本，别再搞出“最终版_v3_真的最终版.ipynb”这种文件名了。