基准(baseline)
一种简单的模型或启发法，用作比较模型效果时的参考点。基准有助于模型开发者针对特定问题量化最低预期效果。
批次（batch）
模型训练的一次迭代（一次梯度更新）中使用的样本集。
批次大小(batch size)
一个批次中的样本数。例如，SGD的批次大小为1，而小批次的大小通常介于10到1000之间。批次大小在训练和推断期间通常是固定的；不过，TensorFlow允许使用动态批次大小。
偏差（bias）
距离原点的截距或偏移。偏差（也称为偏差项）在机器学习模型中以b或w0表示。例如，在下面的公式中，偏差为b:
$$
\mathbf { y } ^ { \prime } { = } \mathbf { b } { + } \mathbf { w } _ { 1 } \mathbf { x } _ { 1 } { + } \mathbf { w } _ { 2 } \mathbf { x } _ { 2 } { + } \ldots { + } \mathbf { w } _ { \mathrm { n } } \mathbf { x } _ { \mathrm { n } }
$$
请勿与预测偏差混淆。
二元分类(binaryclassification)
一种分类任务，可输出两种互斥类别之一。例如，对电子邮件进行评估并输出“垃圾邮件”或“非垃圾邮件”的机器学习模型就是一个二元分类器。
分箱(binning)
可参阅分桶。
分桶(bucketing）
将一个特征（通常是连续特征）转换成多个二元特征（称为桶或箱），通常根据值区间进行转换。例如，你可以将温度区间分割为离散分箱，而不是将温度表示成单个连续的浮点特征。假设温度数据可精确到小数点后一位，则可以将介于0.0度到15.0度之间的所有温度都归入一个分箱，将介于15.1度到30.0度之间的所有温度归入第二个分箱，并将介于30.1度到50.0度之间的所有温度归入第三个分箱。
C
校准层(calibration layer)
一种预测后调整，通常是为了降低预测偏差。调整后的预测和概率应与观察到的标签集的分布一致。
附录D 术语列表
447