基线分离就是看模型在学的时候表现好，但用新数据就差了的意思。比如说训练集和测试集的数据不一样，模型在学的时候没遇到过这种情况，遇到就表现不好了。就像你学数学题，平时做对的题考试时突然换了个数字就做错了，这就是基线分离的问题。

为什么这么判断呢？因为训练集和测试集的数据分布不一样，模型在学的时候没遇到类似情况，遇到就表现不好了。比如准确率在训练集是85%，测试集就掉到70%了，差了二成。还有F1值在训练集是0.82，测试集只有0.68，也差了挺多。这说明模型没学会真正的规律，只是记住了训练集的数据。就像你背了十道题，考试时遇到新题就不会了，这就是学得太死板了。所以要看准确率、F1值这些指标在训练和测试时差距大不大，差距大就是基线分离严重。