第四篇结尾留下一个问题：决策树方差极大、天生过拟合，怎么办？答案是很多棵树。两种组织方式：随机森林并行地训几百棵各不相同的树再投票——第一篇”集成只降方差”的直接应用；梯度提升则一棵接一棵地训，每棵树专门修正前面所有树加起来还没解释的部分（残差）。后者是至今表格数据上最强的模型（XGBoost、LightGBM、CatBoost 都是它），也是预训练数据工程里质量分类器的常用工具之一。最后算一笔账：给 15T token 打质量分，为什么用这些小模型而不是 LLM 自己。

全篇的核心问题是：

很多棵都过拟合的树平均起来为什么反而不过拟合？¹ 梯度提升”逐棵拟合残差”到底在做什么，为什么叫”梯度”？² 预训练数据过滤为什么用 fastText 与 GBDT 而不是 LLM？³

一、总览

1. 两种集成、一笔账

本文按”并行集成 → 顺序集成 → 它们在 LLM 工作里的位置”组织：

%% 两种集成方式：并行（bagging / 随机森林）与顺序（梯度提升）
flowchart LR
    subgraph P["并行：随机森林"]
        direction TB
        D1[重采样 1] --> T1[树 1]
        D2[重采样 2] --> T2[树 2]
        D3[重采样 …] --> T3[树 …]
        T1 & T2 & T3 --> V[投票 / 平均<br/>降方差]
    end
    subgraph S["顺序：梯度提升"]
        direction LR
        F0["F₀ = 均值"] -->|残差| G1[树 1]
        G1 -->|残差| G2[树 2]
        G2 -->|残差| G3[树 …]
        G3 --> F["F = F₀ + η Σ 树<br/>降偏差"]
    end

2. 来龙去脉：从”一棵树不稳”到 Kaggle 的默认武器

一条线看下来：bagging 和 boosting 解决的是两个不同的病。单棵树方差大——bagging 用”平均”治它；单个弱模型偏差大——boosting 用”逐轮修正”治它。第一篇的偏差-方差分解在这里不是理论装饰，它就是这两族方法的分界线。它们今天的位置：任何表格数据问题（风控、推荐排序、广告点击率、预训练数据质量过滤）的第一个强基线都是梯度提升树，第九章的案例是它最标准的一个考题。什么时候不该用：输入是图像、语音、原始文本这种要从像素 / 波形 / 字符里学特征的数据——树只会在给定的列上切，不会造特征，这是深度学习的地盘。

3. 本文的章节安排

二、bagging：很多棵树平均

1. 一棵树 vs 很多棵

第四篇的表格数据上一棵不限深度的树：训练 1.000、测试 0.826。bagging（bootstrap aggregating）：从训练集里有放回地抽同样多的样本，训一棵树；重复 \(B\) 次；预测时 \(B\) 棵树投票。

“有放回地抽”（bootstrap 重采样）是什么意思：训练集有 5 个样本 {1, 2, 3, 4, 5}，抽 5 次、每次抽完放回去再抽，可能得到 {3, 1, 3, 5, 2}——样本 3 被抽到两次、样本 4 一次都没抽到。每个样本每次被抽到的概率是 \(1/n\)，\(n\) 次都没被抽到的概率是 \((1 - 1/n)^n\)，\(n\) 大时趋于 \(1/e = 0.37\)——所以每棵树大约只见过 63% 的不同样本，另外 37% 对它来说是”没见过的”。这样得到的 \(B\) 份数据每份都略有不同，训出的 \(B\) 棵树也就略有不同——这正是我们要的。

每一棵树的训练准确率仍是 100%（各自背下了自己那份重采样数据），但 200 棵投票后测试从 0.83 升到 0.90。

2. 降的是方差

为什么？第一篇的分解：一棵树偏差小（容量够）、方差大（换几个训练点结构就变）。第一篇第六章那个骰子的比喻：一个骰子的结果在 1–6 乱跳，20 个骰子的平均稳稳落在 3.5 附近——平均 \(B\) 个方差为 \(\sigma^2\) 的独立估计，方差变成 \(\sigma^2 / B\)。树之间不完全独立（它们的重采样数据有大量重叠，像 20 个被胶水粘在一起的骰子），降不到 \(1/B\)，但降得很多。直接量一下——换 20 批训练数据，看模型对测试样本预测概率的方差：

换 20 批训练数据：单棵树预测概率的方差 0.094；50 棵 bagging 的 0.007

方差降到 1/13。偏差没有变——每棵树仍是不限深度的树，平均之后能表达的边界形状与单棵树一样（右图边界仍是横竖线段拼的）。集成不改变模型的表达能力，只让它稳定。

三、随机森林

1. 再加一层随机

bagging 的树彼此还是太像：数据有 20 个特征，其中几个特别强，每棵树的根节点几乎都选它们切，树的上半部分长得差不多。随机森林（random forest）在每个节点只允许从随机抽的 \(m\) 个特征里选切分（默认 \(m = \sqrt{d}\)），逼树走不同的路：

\(m\) 越小，树彼此越不像（相关从 0.59 降到 0.37），平均后方差降得越多——但 \(m\) 太小每棵树本身太弱（连有用的特征都常抽不到），偏差升上来。\(\sqrt{d}\) 附近最好。相关低的估计平均起来方差降得多，这是随机森林比纯 bagging 好的全部理由。

2. 袋外估计

每棵树的重采样漏掉了约 37% 的样本（袋外，out-of-bag），这些样本对这棵树来说就是没见过的数据。用每个样本”没见过它的那些树”来预测它，得到一个不用切验证集的泛化估计：

300 棵、默认 max_features=√20≈4：测试 0.919；袋外（OOB）估计 0.913

随机森林几乎不需要调参（棵数越多越好、\(m\) 用默认），是”先跑一个看看”的默认模型。

四、梯度提升

1. 一步一步拟合残差

随机森林的树各自独立。梯度提升（gradient boosting）让树顺序地工作：第 1 棵树拟合数据，第 2 棵树拟合第 1 棵没拟合好的部分，第 3 棵拟合前两棵加起来还没拟合好的部分……用一个一维回归问题把每一步画出来（用深度 1 的树——只切一刀、预测是一个台阶——最容易看）：

先用 4 个点手算两步，看清”拟合残差”是什么意思。四个样本的 \(y = 1, 2, 6, 7\)（按 \(x\) 从小到大排），学习率暂取 1：

第 1 棵树不看 \(y\)，只看残差 \((-3, -2, 2, 3)\)：在中间切一刀，左边残差平均 −2.5、右边 +2.5，就是一个台阶；把台阶加到预测上，MSE 从 6.5 降到 0.25。第 2 棵树面对的是新残差 \((-0.5, 0.5, -0.5, 0.5)\)，切在哪都只能再降一点——它拟合的是”前一棵树没做完的部分”。学习率 0.5 时第 1 步只加半个台阶（预测 2.75, 2.75, 5.25, 5.25），残差留得多一些，给后面的树慢慢修。

读下排：第 1 棵树面对的是”\(y\) 减去均值”，它切了一刀把左端那一撮低点分出来；第 2 棵面对的是剩下的残差，它在右边切一刀；每棵树只负责前面所有树加起来还没解释的部分。50 个台阶叠出一条曲线。

2. 为什么叫”梯度”

写成公式。模型是树的累加：

• \(F_t\)：前 \(t\) 棵树加起来的预测；
• \(h_t\)：第 \(t\) 棵树；
• \(\eta\)：学习率——每棵树的贡献乘一个小系数。

第 \(t\) 棵树该拟合什么？我们想让 loss \(L = \sum_i \ell(y_i, F(x_i))\) 下降最快。第二篇的梯度下降是”对参数 \(w\) 求导、沿负梯度走”；这里换一个视角：暂时忘掉树，把模型在 \(n\) 个训练点上的 \(n\) 个预测值 \(F(x_1), \ldots, F(x_n)\) 本身当成 \(n\) 个可以自由调的参数。loss 对第 \(i\) 个预测值的导数 \(\partial \ell / \partial F(x_i)\) 告诉我们：把这个预测值调大一点，loss 会怎么变；沿负梯度 \(-\partial \ell / \partial F(x_i)\) 调，loss 下降最快。平方损失 \(\ell = \frac{1}{2}(y - F)^2\) 的负梯度是

所以”拟合残差”就是”用一棵树去逼近负梯度”，再沿这个方向走一步（乘 \(\eta\)）——这是第二篇的梯度下降，只不过参数不是一个向量 \(w\)，而是函数 \(F\) 本身，每一步的”更新量”用一棵树表示。换 loss 只换负梯度：分类用第三篇的交叉熵，负梯度是 \(y - p\)（标签减预测概率——又是那个形式），树拟合它，累加的是 logit。

3. 十五行实现

def fit_gbdt(X, y, n_trees=100, lr=0.1, max_depth=2):
    f0 = y.mean()                                                  # ① 初始预测：常数（均值）
    pred = np.full(len(y), f0)
    trees = []
    for _ in range(n_trees):
        resid = y - pred                                           # ② 残差 = 平方损失的负梯度 −∂L/∂F
        t = DecisionTreeRegressor(max_depth=max_depth, random_state=0).fit(X, resid)   # ③ 用一棵浅树拟合残差
        pred += lr * t.predict(X)                                  # ④ 加进去，乘学习率
        trees.append(t)
    return f0, trees

def predict_gbdt(model, X, lr=0.1):
    f0, trees = model
    return f0 + lr * sum(t.predict(X) for t in trees)              # ⑤ 预测 = 初值 + 所有树的累加

500 个样本、4 个特征、带交互项的非线性回归：

手写 GBDT（300 棵深度 3、lr 0.1）测试 MSE 0.4101；sklearn 0.4090
对比：一棵深度 8 的回归树 1.7368

手写版与 GradientBoostingRegressor 同量级（差别来自树切分平局时的处理），都比一棵深树好 4 倍。

五、调参

1. 学习率 × 棵数

学习率大：几十棵就到顶，然后开始过拟合下滑（每棵树的修正全额加进去，把噪声也学了）。学习率小：慢，但顶更高、更平。这与第二篇 SGD 的学习率是同一个权衡。实践：学习率 0.05–0.1，棵数用验证集早停（第一篇）——scikit-learn 的 staged_predict、XGBoost 的 early_stopping_rounds 都是为此。

2. 三个超参数与三个实现

梯度提升要调的核心是三个：棵数（早停定）、学习率（0.05–0.1）、树的深度（3–8，浅树；每棵树只需要捕捉一点点交互）。再加常用的正则：行采样（每棵树只用部分样本）、列采样（同随机森林）、叶子最少样本数。

三者的模型是同一个——树的累加、拟合负梯度——差别在速度与工程细节。会用一个、看懂上面三个超参数即可。

六、特征重要性与表格数据

1. 特征重要性

树模型附带一个很有用的副产品：每个特征在所有分裂里贡献了多少不纯度下降（第四篇的 Gini），归一化后就是特征重要性。乳腺癌数据上：

测试准确率 0.942
  worst perimeter            0.506
  worst concave points       0.161
  mean concave points        0.134
  worst radius               0.050
  worst texture              0.029
  mean texture               0.026
前 6 个特征占重要性 91%

30 个特征里 6 个占了 91%。数据质量打分里这张表告诉你”困惑度、长度、符号比例、重复率”哪个在起作用——这是数据工程师调过滤器时最常看的东西。（它有偏向：高基数的特征、相关特征之间会分走重要性；更可靠的是 permutation importance——打乱一个特征看分数掉多少。）

2. 表格数据为什么是树的天下

在表格数据上——特征是数值与类别、样本几万到几千万、特征之间没有图像 / 文本那种局部结构——GBDT 至今是最强的默认选择。同一份表格数据、都不调参：

树对特征的单调变换不敏感（不需要标准化）、天然处理缺失值与类别特征、对无关特征鲁棒、在小数据上不容易过拟合（相对深度网络）；神经网络要调结构、学习率、正则、标准化才能追平，而树两三个参数就到位。LLM 工作里表格数据出现在：数据质量打分（特征是几十个统计量）、实验结果分析（哪些超参数组合好）、线上 A/B 的归因。会用 LightGBM 训一个模型、看特征重要性、调三个超参数即可。

七、数据质量分类器的算力账

1. 问题

预训练要从几十 T 原始文本里挑出高质量的部分。”高质量”由一个分类器判断——”这段像不像百科 / 教科书”。用什么模型？直觉是”用 LLM 自己判断最准”。算一笔账。

2. 账

给 15T token 打分。一个 token 过一个 \(N\) 参数的模型（前向一次）约 \(2N\) FLOP：8B 模型是 \(1.6 \times 10^{10}\)，乘 15T 个 token 就是 \(2.4 \times 10^{23}\)。训练一个 8B 模型的算力约 \(6ND = 6 \times 8 \times 10^9 \times 15 \times 10^{12} = 7.2 \times 10^{23}\)（\(D\) 是训练 token 数）：

用 8B 模型打分要花训练算力的三分之一。 换成 1 亿参数的模型是 0.4%，换成线性模型几乎为零。

3. 两级做法

所以实际做法是两级：用大模型给一小部分样本打标（几十万段），拿这些标签训一个小分类器，再用小分类器过全部语料。FineWeb-Edu 用 Llama-3-70B 给 45 万段打”教育价值”分（0–5），训一个小 embedding 模型加线性回归头，再过全部 15T；DCLM 用 fastText 做质量过滤。不是小模型效果更好，是只有它跑得起。

4. fastText 的形态

fastText 一类文本分类器就是词袋特征 + 线性分类器：把每个词（和相邻两个词组成的 bigram）映射成一个向量，整段文本的向量是它们的平均，上面接一个第三篇的 softmax 回归。scikit-learn 里等价的写法：

vec = TfidfVectorizer(sublinear_tf=True, min_df=2, ngram_range=(1, 2))   # ① 每段文本 → 几万维的词 / 词对计数（稀疏），TF-IDF 加权
Xtr = vec.fit_transform(train_texts)
clf = LogisticRegression(max_iter=3000, C=5).fit(Xtr, train_labels)     # ② 第三篇的逻辑回归 / softmax 回归

TfidfVectorizer 做的是词袋计数再加权：一个词在这段里出现越多（TF，词频）权重越高，但在所有文本里都常见的词（”的”、”是”，IDF 低）权重被压低；ngram_range=(1, 2) 表示除了单个词还数相邻两个词组成的词对。几万个 n-gram 特征的线性模型，几千篇文本训练一秒钟。在”判断这段文本属于哪一类 / 像不像教科书”这件事上，它离 LLM 的差距远小于算力上的差距——第五篇说线性 SVM 活在 fastText 里，就是这里。

八、小分类器带回来的老问题

用小分类器过滤万亿 token，经典监督学习的每个问题也一并回来，只是规模大了一万倍：

1. 分布偏移：训练标签是在几十万段样本上打的，这些样本是否代表全部语料？如果标注样本里没有代码、没有非英语，分类器对它们的判断是随机的（第一篇按组切的教训：验证集要像真实数据）。
2. 系统性误杀（类别不平衡与偏见）：分类器可能把某种语体——非英语、口语、诗歌、低资源领域——系统性判为低质量。每滤掉一类文本，模型就失去一种能力，而且这个损失在 benchmark 上不一定看得见。
3. 阈值：分数切在哪里、滤掉多少——精确率与召回率的权衡（第十篇）。FineWeb-Edu 切在 3 分留下约 1.3T token，切在 2 分留下几倍多；这个决定没有标准答案，取决于你有多少数据、模型多大（Chinchilla 的 \(D / N \approx 20\) 告诉你至少要多少 token）。

数据工程师每天在做的，是经典监督学习在万亿 token 上的工程化——同样的模型、同样的失效方式、同样的评估工具。

九、案例：人口普查收入预测——表格数据的标准考题

问题与数据：UCI Adult（Census Income）——1994 年美国人口普查抽样 48,842 人，14 个特征，预测年收入是否超过 5 万美元（23.9% 是）。它是表格数据分类的标准考题，被几乎每篇集成方法的论文用过。它的”脏”是真实业务里的典型：5 个数值特征（年龄、教育年限、资本收益、资本损失、每周工时）+ 7 个类别特征（工作类别 8 类、婚姻 7 类、职业 14 类、家庭关系 6 类、种族 5 类、性别、国籍 41 类）；工作类别和职业各缺约 2,800 个、国籍缺 857 个。

思路：按本篇的顺序——一棵树、一片森林、逐轮修正——在同一份数据上各跑一次，逻辑回归做对照。类别特征两种编码：逻辑回归要 one-hot（7 列变 100 列）、要标准化；树模型用序数编码（每个类别一个整数）直接吃，缺失当成一个类别。指标用 AUC 而不只是准确率——正类只有 24%，全判”≤50K”的准确率已有 76%（第十篇第四章）。

onehot  = ColumnTransformer([("num", make_pipeline(SimpleImputer(), StandardScaler()), NUM),
                             ("cat", OneHotEncoder(handle_unknown="ignore"), CAT)])        # 逻辑回归用
ordinal = ColumnTransformer([("num", "passthrough", NUM),
                             ("cat", OrdinalEncoder(handle_unknown="use_encoded_value", unknown_value=-1), CAT)])  # 树用
models = [
    ("逻辑回归", make_pipeline(onehot, LogisticRegression(C=1.0, max_iter=2000))),
    ("一棵决策树（不限深度）", make_pipeline(ordinal, DecisionTreeClassifier(random_state=0))),
    ("随机森林（500 棵）", make_pipeline(ordinal, RandomForestClassifier(500, min_samples_leaf=2, n_jobs=-1))),
    ("梯度提升（500 轮，lr 0.05，早停）", make_pipeline(ordinal, HistGradientBoostingClassifier(
        max_iter=500, learning_rate=0.05, early_stopping=True, validation_fraction=0.1))),
]

HistGradientBoostingClassifier 是 scikit-learn 里 LightGBM 式的实现（直方图分桶），第五章表里”XGBoost / LightGBM 各改了什么”的东西它都有一份；生产里换成 XGBoost / LightGBM 只是换一个 import。

效果（测试集 12,211 人）：

读这张表就是读本篇的前四章：

• 一棵不限深度的树是最差的（AUC 0.772，比逻辑回归低 0.13）——它把 36,000 个训练样本背了下来；限深到 6 层就回到 0.890。这是第二章开头那张”一棵树 vs 很多棵”的真实版。
• 500 棵这样的树平均，AUC 0.917——每棵都过拟合没关系，bagging 只降方差；随机森林还免费给了一个几乎不用调的模型（这里只设了 min_samples_leaf=2）。
• 梯度提升再高一截，0.930——它不是平均，是逐轮修正上一轮的错（第四章）；256 轮早停，训练 2 秒。在表格数据上这个排序（GBDT > RF > 单树，线性在中间）几乎是定律，第六章的 Grinsztajn 等 2022 在 45 个数据集上验证过。
• 逻辑回归 0.905 不差——它输给树的 0.025 AUC 主要是特征交互（”已婚 × 高教育 × 高工时”这种组合），树天然会切、线性模型要手工造交互项；但它要 one-hot 出 100 列、要标准化、要补缺失，树模型直接吃原始列。

特征重要性怎么审计。第六章说的重要性这里用 permutation 版（把一列打乱后测试 AUC 掉多少，比不纯度版少一层偏向高基数特征的毛病）：资本收益 −0.061、年龄 −0.057、教育年限 −0.031、婚姻状况 −0.026、家庭关系 −0.017 居前；sex −0.002、native-country 和 race −0.0007，几乎不起作用。这张表有两个用途：一是和常识对（收入靠资本、年龄、教育，说得通）；二是审计——如果 sex 或 race 排在前面，模型就在学一种不该学的关系，上线前必须处理（去掉这列不够，因为别的列会替它——relationship 里的 Husband / Wife 就带着性别）。这是第八章”系统性误杀”的检查手段。

学习率 × 轮数的实物（第五章的调参，训练集内切 10% 做验证）：

学习率大：80 轮到顶，之后每加一棵树都在拟合噪声，AUC 掉头；学习率小：400 轮还在缓升，但更稳。三条线的顶差不到 0.002——这就是第五章的结论”学习率 0.05–0.1 + 早停”在真实数据上的样子：学习率决定你有多少轮的犯错余地，早停替你找到那一轮。

落地还差什么：这个数据是 1994 年的，所有数字只对 1994 年的美国有效——真正的收入模型每年要重训；race / sex 这类特征在信贷等受监管场景里不允许进模型，而且要检验模型对不同群体的错误率是否一致（第八章的”系统性误杀”在监管语境里叫公平性）；AUC 0.93 之后要再往上，靠的不是换模型而是加特征（家庭收入、居住地、行业）——在表格数据上，梯度提升树已经把”给定这些列能学到的”学完了。

十、本文小结

• bagging：重采样训很多棵树取平均，一棵树 0.826 → 200 棵 0.905；预测方差 0.094 → 0.007（降 13 倍），偏差不变——集成不改变表达能力，只让它稳定。
• 随机森林 = bagging + 每个节点只在随机的 \(m\) 个特征里选切分：树越不像（相关 0.59 → 0.53）平均越有效，\(m = \sqrt{d}\) 最好 0.918；袋外估计免费给一个泛化数字；几乎不用调参。
• 梯度提升：\(F_t = F_{t-1} + \eta h_t\)，每棵树拟合前面的残差——残差就是平方损失的负梯度，所以它是在函数空间里做梯度下降；换 loss 只换负梯度（分类：\(y - p\)）。15 行手写与 scikit-learn 同量级，比一棵深树好 4 倍。
• 调参：学习率 0.05–0.1 + 棵数早停（学习率 1.0 第 24 棵到顶后下滑）+ 浅树 3–8；XGBoost / LightGBM / CatBoost 是同一个模型的三个工程实现。
• 特征重要性是调过滤器时最常看的表（乳腺癌 6/30 占 91%）；表格数据上树的集成默认最强（RF 0.919 vs 不调参的 MLP 0.905），不用标准化、鲁棒、两三个参数到位。
• 算力账：给 15T token 打分，8B 模型 = 训练算力的 1/3、线性模型 0.004% → 两级做法：大模型标几十万段、小分类器过全部（FineWeb-Edu、DCLM）。fastText = 词袋 + 线性分类器。小分类器带回来的老问题：分布偏移、系统性误杀、阈值。
• 案例：Adult 48,842 人收入预测，AUC 一棵树 0.772 → 随机森林 0.917 → 梯度提升 0.930（逻辑回归 0.905）；permutation 重要性做审计（sex / race 接近零）；学习率 0.3 第 80 轮掉头、0.03 到 400 轮还在升，早停替你选轮数。

配套代码：本文全部数字与图由 classical-ml/06_ensembles_and_gradient_boosting.py（bagging / forest / boost_steps / boost_hand / lr / importance / tabular / budget 八个子实验）与 case_06_adult_income.py（第九章案例，首次运行下载 4 MB）产生，CPU 上两三分钟跑完。

十一、自测

1. 决策树训练准确率 100%、测试 83%，随机森林训练也 100%、测试 92%。为什么训练准确率一样测试差这么多？

   答案

   两者都能背下训练集，但随机森林平均了 300 棵树，方差被压掉（本文实测 0.094 → 0.007），泛化更好；偏差没变。

2. 随机森林为什么要在每个节点只看部分特征？\(m\) 太小会怎样？

   答案

   让树彼此更不相关，平均后方差降得更多；\(m\) 太小每棵树连有用特征都常抽不到，偏差升高（\(m = 1\) 时 0.895 < \(m = 4\) 的 0.918）。

3. 梯度提升的第 \(t\) 棵树拟合的目标是什么？平方损失下它等于什么？log-loss 下呢？

   答案

   loss 对当前预测 \(F_{t-1}(x_i)\) 的负梯度；平方损失下是残差 \(y - F\)，log-loss 下是 \(y - p\)。

4. 学习率 1.0、600 棵树的梯度提升与学习率 0.1、600 棵，哪个更可能过拟合？为什么？

   答案

   1.0——每棵树的修正全额加进去，几十棵就把训练集连噪声学完，之后继续加树只会过拟合（本文 24 棵到顶后下滑）；0.1 小步多棵，顶更高更平。

5. 用 1B 模型给 30T token 打分，占训练一个 70B 模型（\(D = 15\text{T}\)）算力的百分之几？

   答案

   \(2 \times 10^9 \times 30 \times 10^{12} = 6 \times 10^{22}\)，训练 \(6 \times 70 \times 10^9 \times 15 \times 10^{12} = 6.3 \times 10^{24}\)，约 1%。

6. 质量分类器的训练标签来自 40 万段英文百科风格的样本。用它过滤一个含 30% 代码与 20% 中文的语料，会发生什么？

   答案

   分布偏移：代码与中文在训练标签里没有，分类器对它们的判断接近随机或系统性偏低，很可能把它们大量滤掉——模型失去这两种能力。

下一篇

前六篇的模型都需要标签。下一篇开始讲没有标签时能做什么：聚类——怎么知道一个几十 T 的语料里有哪些主题、各占多少。

• 上一篇
  LLM 时代的经典机器学习（05）：SVM 与核方法——最大间隔、核技巧与 attention 的远亲
• 下一篇
  LLM 时代的经典机器学习（07）：聚类——K-Means、DBSCAN 与「这批语料里有什么」