待验证50% 置信观点精确时间

直接用冻结的 DINOv2 全局特征跑 k-NN 是对其最不公平的评估方式，因为测试的是未经调整的嵌入空间几何结构

1

来源数

50%

置信度

长期有效

时效性

2026/7/10

首次发现

来源

DINOv2 vs SigLIP：k-NN分类为何差距悬殊？视觉编码器选型避坑指南

redditr/MachineLearning2026/7/8

相关事实

待验证在类别不平衡场景下单纯的准确率可能具有误导性，需要结合混淆矩阵进行更细粒度评估56% 相似待验证K-means依赖欧氏距离，在处理高基数类别特征时因维度灾难导致距离度量失效56% 相似待验证Nex N2 Pro存在Benchmark Maxing（基准测试过度优化）现象，导致官方基准与实际表现存在显著差距56% 相似待验证GridSearchCV将参数网格的穷举遍历与k折交叉验证结合，导致训练次数乘以k倍56% 相似已验证若用含测试集的全量数据计算均值和标准差，会导致预处理泄漏，使评估指标虚高，无法真实反映模型泛化能力55% 相似

引用此条事实

Stable URI

https://kongchang.com/claim/465000

API

curl https://kongchang.com/api/v1/knowledge/claims/465000

MCP

get_claim(id=465000)