type
status
date
slug
summary
tags
category
icon
password
Property
Oct 30, 2025 07:38 AM
基本符号
通常使用真实值使用y来表示，y_hat来表示预测值。机器学习算法就是根据真实值与预测值之间的差距来进行评估的。
正例（Positive）与负例（Negative）详解
实际对应的场景：机器学习和统计分类任务
正例（Positive）和负例（Negative）是用于区分目标类别和非目标类别的核心概念。它们的定义取决于具体问题，但本质是标记模型需要关注的“目标”与“非目标”。
(1) 正例（Positive）
- 含义：模型需要检测或分类的目标类别。
- 例子：
- 医疗诊断：患病的患者（目标：找出疾病）。
- 垃圾邮件检测：垃圾邮件（目标：过滤垃圾）。
- 金融风控：欺诈交易（目标：拦截欺诈）。
(2) 负例（Negative）
- 含义：与目标无关的非目标类别。
- 例子：
- 医疗诊断：健康的患者。
- 垃圾邮件检测：正常邮件。
- 金融风控：正常交易。
召回率（Recall）
召回率（Recall）是机器学习分类任务中的重要评估指标，用于衡量模型正确识别正样本的能力，特别关注“漏检”问题。它在医疗诊断、金融风控、缺陷检测等场景中至关重要。
ROC曲线（Receiver Operating Characteristic Curve）
ROC曲线是评估二分类模型性能的核心工具，通过可视化模型在不同阈值下的真正例率（TPR）和假正例率（FPR），帮助权衡模型的敏感性与特异性。它在医疗诊断、金融风控、机器学习等领域广泛应用。
- 作者:fntp
- 链接:https://polofox.com/article/1d345a8c-b3a0-80a4-85d1-e7311cc39b10
- 声明:本文采用 CC BY-NC-SA 4.0 许可协议，转载请注明出处。
相关文章
