M72：非 LLM 决策任务的规则与统计 Baseline

内容类型：预习教材（不代表已完成）
日期：2026-11-03
阶段：P1 · AI Model Engineering 90
周次：W11
节奏：周二最小实现
状态：教材已备；学习未完成
标签：baseline rules statistics anomaly-score reproducibility

一句话定义

Baseline 是与部署任务和正确切分对齐的最简单可运行参照，它揭示数据本身、规则和统计信号能做到什么，也为复杂模型提供最低比较标准。

学习目标

1. 为 M71 所选任务实现或手算一个核心 baseline。
2. 让 baseline 只使用预测时点可见的信息。
3. 输出连续 score 与明确阈值分离，便于后续比较。
4. 记录输入、公式和失败状态，不追求“看起来先进”。

核心知识

1. 三类任务的最小 baseline

若选择交易图异常，可用入度/出度、独立对手数、短时金额突增、交易循环或新邻居比例构成规则分数。例如把每项标准化后加权，但权重必须透明。若选择时间序列，可用最后值、移动平均、季节性 naive 或简单指数平滑。若选择排序，可用单个业务特征排序、BM25/相似度，或 logistic score。

Baseline 不必差。若简单规则已在目标区间稳定工作，复杂模型必须证明额外收益足以覆盖维护、延迟与解释成本。

2. Score 与 decision 分离

模型/规则先产生连续风险或相关性 score，决策层再根据阈值、容量和错误成本决定动作。把阈值写死在特征逻辑里，会让后续无法画 precision-recall 或调整调查容量。对排序任务，score 直接决定候选顺序，评估应按每个 query 计算 top-K 表现。

3. 训练统计只能来自训练窗

异常分数常需要均值、标准差、分位数或历史频率。这些统计只能用训练期/该实体预测时点之前的数据计算。全局未来分位数会把后续分布变化泄漏回过去。冷启动实体没有历史时，应有显式 fallback，而不是静默用未来数据填补。

4. Baseline 的价值在可诊断

每个分数组件应能单独查看，缺失数据要有状态。某账户分数高，是因为金额突增还是对手异常？某时序预测失败，是转折、季节变化还是缺测？可诊断性帮助 M73 判断神经模型究竟学习了新增结构，还是只复刻最显眼规则。

机制与推导

以交易图异常为例，可定义：

score = w1 * robust_z(log1p(out_amount_24h))
      + w2 * new_counterparty_ratio
      + w3 * cycle_indicator

robust_z 的中位数和尺度只从训练窗估计。分数先保留连续值，再在验证集上探索阈值。此公式只是结构示例，不代表合理权重；若选择其他任务，应替换为相应核心计算。

时序 baseline 可写 ŷ(t+h)=y(t) 或同季节位置值；排序 baseline 可写 score(q,d)=business_priority(d)。关键是输入时间边界、缺失处理和指标一致。

最小练习或观察步骤

1. 准备 8～20 条合成样本，明确训练/测试边界。
2. 选最多三个可解释特征或一个 naive 公式。
3. 手算至少一个样本，确认单位、方向和缺失值。
4. 实现返回连续 score 的最小函数。
5. 用两个阈值或 K 值展示 decision 如何变化。
6. 建立结果表结构；只有实际运行后再填数值。

常见误区

• 把 baseline 做成包含大量隐含规则的完整系统。
• 先看测试集再决定特征或阈值。
• 在全数据上计算均值、分位数和图统计。
• 输出只有高/低风险，不保留 score。
• 复杂模型只与“随机猜”比较，而不与业务规则比较。
• 合成样本结果被误写成真实业务性能。

金融与 Web3 场景连接

支付风控可从金额速度、设备变化和商户风险规则开始；AML 图可从对手数量、资金快速流转和环路指示开始；链上钱包可用新创建地址、交互合约类型与资金来源构造透明 baseline。任何地址标签都要带来源与时间，规则命中只是调查线索，不是主体违法结论。

自检问题

1. 我的 baseline 使用了哪些预测时可见信息？
2. 为什么 score 与 threshold 应分离？
3. 哪些统计量必须只在训练窗拟合？
4. baseline 的哪个组件最容易诊断？
5. 复杂模型需要超过 baseline 的哪些方面？

专业课程对齐

• Stanford CS229：对应线性/逻辑回归、生成式学习与基础优化；用于理解简单统计模型的假设、损失和可解释系数，而不是把 baseline 等同于随便猜。
• Stanford CS329S：对应生产 ML 基线、数据检查和指标选择；帮助把模型 score、阈值 decision 与业务成本分开记录。
• Full Stack Deep Learning：对应端到端实验、误差分析和可复现训练；用于让规则、常数、统计模型共享相同数据与评估接口。

深入学习提示

先精读 CS229 中与任务匹配的最小模型：二分类可用逻辑回归，连续目标可用线性/稳健回归，排序可先用简单打分；再按 CS329S 检查训练统计、特征标准化和阈值是否只由训练/验证窗决定，最后用 FSDL 的实验记录方式保存配置与切片。至少建立两个 baseline：无信息基线（多数类、全局均值或流行度）与可解释规则/统计基线。分类时不要只报 accuracy，应按代价观察 PR-AUC、recall@precision、校准或阈值后的 $FP/FN$；排序任务观察与随机/流行度排序相比的增益。baseline 的价值是暴露数据和指标问题：若简单规则异常强，先检查泄漏；若全部模型接近随机，先检查标签噪声和可预测性，而不是立即增加网络深度。

每个基线都应留下一个可手算的小样本，便于快速核对实现、阈值与指标计算是否一致。

学后填写区

• 所选 baseline 与公式：
• 合成数据和切分：
• 手算样本：
• 实际结果（未运行请注明）：
• 发现的边界与 M73 比较计划：