内容导航：
1、
baselines
2、
机器学习算法的baseline指的是什么呢？
1、
baselines
英：
美：
常见释义：
n.基准线；做基底的线（baseline的复数）
1、The survey will determine unspecified base points and
baselines
of the countrys territorial waters around the islands.───此次调查将填补领海基点及海岛周边海域的基线等数据空白。
2、Builds
baselines
for performance tuning.───构建性能调整的基线。
3、Baselines are also invaluable for planning, as you can correlate an anticipated or observed up-tick in usage to an expansion of resources.───基线对于制定计划也非常有价值，可以根据基线和预计或观察到的使用量决定增加多少资源。
4、A snapshot is really just a collection of
baselines
, one for each component in your workspace.───快照实际上就是基准的集合，工作区中的每个组件有一个基准。
5、You can track project performance over the project lifespan by saving project snapshots in up to 11
baselines
.───您可以通过在基准（最多11个）中保存项目快照来跟踪项目进行期间的项目性能情况。
6、Also note that the tracer uses a stack to maintain
baselines
, so it is possible to nest calls (carefully).───另外还要注意跟踪程序使用了一个栈来保存基准，所以您可以（小心地）嵌套调用。
7、For taking
baselines
, focus on report generation.───对于建立基线，主要使用报告生成功能。
8、Manage
baselines
and releases.───管理基线和发布版本。
9、Of course, you can implement controls and locking to enforce your own labeling semantics, but UCM
baselines
solve these problems for you.───当然，你可以执行控制并锁定执行你自己的标签，但是UCM基线为你解决了这些问题。
1、base-court meaning───基本法庭含义
2、baseplate lift───基板升降
3、no database selected───未选择数据库
4、base year───【计划】基准年；基础年度；基础年龄
5、diabase def───辉绿岩定义
6、abasement define───贬低定义
7、polybasic base───多元碱基
8、caba baseball───卡巴棒球
9、crystallography open database───开放式结晶学数据库
10、pedigree database───系谱数据库
2、
机器学习算法的baseline指的是什么呢？
将输入数据（特征）与目标变量（或者标签）之间关系建立模型的函数，是一个机器学习算法试图学习的对象。当你对算法进行测试时，你总要找出一种方式来估量算法的表现。比如你想对给定英文文本做词性标注，把每个单词标为名词、动词、代词等等，一个单词在不同文本中会有不同的词性（比如building）。你以此训练了一个机器学习模型，算法的准确率是75%，但是你无法确定75%是否是一个满意的结果，除非你将你的准确率与别的参照进行比较。在这里用于比较的就是着基线（baseline）。总的来说，你希望你的算法表现比基线更好。
基线（baseline）的正式定义是一种使用简单的启发式探索，统计规则，随机规则或者该领域中先前常使用算法对已知问题及数据集进行预测的方法。这些预测将用来评估基线算法的表现（比如准确率），并且作为标准来对比评估其他机器学习算法的表现。它通常在在正式的工作之前进行，为后面的工作效果提供表现评估的支持。
有时选择一个简单的基线就足够，比如上面的例子，基线可以是用每个单词最常使用的词性来标注它。或者可以针对这项任务的、现存的使用广泛的算法作为基线。基线的选择是由你的目标决定的。目标可以是超越基线，如果你的工作想提高准确率，或者可以是得到与基线相当的结果，但是在算法的其他方面实现改进（比如训练时长、预测时间、内存使用情况等等）。
比较典型的基线包括这些由sklearn支持的虚拟估计（scikit-learns "dummy" estimators）：
用于分类问题的基线（Classification baselines）：
“stratified”: 考虑训练集的类分布来生成预测 。
“most_frequent”: 总是预测训练集中最频繁出现的标签。
“prior”:总是预测将优先类（class prior）最大化的类。
“uniform”: 生成随机均匀的预测。
“constant”: 总是预测由使用者提供的常数标签。对评估非多数类很有用。
回归的基线（Regression baselines）:
“median”: 总是预测训练集的中值。
“quantile”: 总是预测训练集的、由百分位参数提供的特定的分位数。
“constant”: 总是预测由使用者提供的常量。
最后，如果在你在机器学习的特定领域进行工作（比如推荐系统），为了展现你的方法做得更好，一般选取现有技术作为基线。例如你想要评测新的协同过滤算法，你也许会将它和矩阵分解作比较。