准则

External Criterion（准则）在机器学习语境下，特指独立于模型训练过程之外、用于客观衡量算法性能或验证假设成立的量化标准。它不同于模型内部损失函数（Internal Criterion），而是基于外部数据集（如测试集、验证集）或真实业务指标（如准确率、召回率、F1 分数、AUC 值）构建的评估体系。其核心作用在于消除过拟合风险，确保模型泛化能力，并为算法选型、超参数优化及系统部署提供可复现的决策依据。

在现代计算架构与机器学习生态中，External Criterion 扮演着‘裁判’与‘标尺’的双重角色。随着深度学习模型的参数量级爆炸，单纯依赖训练集损失已无法保证模型质量，External Criterion 成为连接算法研究与工程落地的桥梁。它不仅定义了模型成功的边界，还推动了评估基准（Benchmark）的标准化进程，促进了跨领域模型的可比性。在工业界，它是模型上线前的最后一道防线，确保交付系统满足业务 SLA；在学术界，它是复现性与可验证性的基石，防止‘数据泄露’导致的虚假繁荣。