什么是真阴性（True Negative, TN）？
真阴性（True Negative, TN）是指在二分类问题中，模型正确预测负类别（negative class）的实例数量，即当真实标签为负时，模型也输出负预测的情况。在混淆矩阵（Confusion Matrix）中，TN位于右下角位置， […]
作者： 创新及产品管理能力建设项目
什么是真阳性（True Positive, TP）？
真阳性（True Positive, TP）在机器学习分类问题中，指的是当样本的实际类别为正类（如疾病患者或欺诈交易）时，模型也正确预测为正类的情况。简言之，模型准确识别出实际存在的正类实例，是评估分类性能的核心指标之一。 在AI产品开发落 […]
什么是混淆矩阵（Confusion Matrix）？
混淆矩阵（Confusion Matrix）是机器学习分类任务中的核心评估工具，它以表格形式展示模型预测结果与真实标签的对应关系，通过行代表真实类别、列代表预测类别的结构，统计样本在真阳性、假阳性、真阴性和假阴性等组合中的分布数量，从而直观 […]
什么是AUC（Area Under the Curve）？
AUC（Area Under the Curve），即曲线下面积，特指ROC曲线（Receiver Operating Characteristic curve）下的区域，是机器学习中评估二分类模型性能的核心指标。ROC曲线描绘了模型在不同 […]
什么是F1分数？
F1分数（F1 Score）是一种广泛应用于机器学习分类模型性能评估的核心指标，特别是在二分类问题中。它是精确率（Precision）和召回率（Recall）的调和平均数，旨在提供一个平衡的评分以综合反映模型的准确性。精确率衡量模型预测为正 […]
什么是召回率（Recall）？
召回率（Recall），也称为查全率，是机器学习分类问题中的一个核心评估指标，用于衡量模型识别所有相关正例实例的能力。具体而言，它表示模型正确预测的正例数量占实际所有正例数量的比例，计算公式为：真阳性（True Positive, TP）除 […]
什么是精确率（Precision）？
精确率（Precision）是机器学习分类任务中的一个关键评估指标，它衡量模型预测为正类别的样本中实际为正类别的比例，计算公式为真正例数除以真正例数与假正例数之和。高精确率表明模型在做出正类别预测时较少产生误报，这对于确保预测结果的可靠性至 […]
什么是准确率（Accuracy）？
准确率（Accuracy）是机器学习中评估分类模型性能的核心指标，它衡量模型预测正确的样本比例，即正确分类的样本数除以总样本数。在二元分类任务中，准确率的计算公式为（真阳性 + 真阴性） / （真阳性 + 真阴性 + 假阳性 + 假阴性）， […]
什么是评估指标？
评估指标（Evaluation Metrics）是用于量化机器学习模型性能的标准化度量方法，它们通过数值形式客观反映模型在特定任务上的表现优劣。常见的评估指标包括准确率（Accuracy）、精确率（Precision）、召回率（Recall […]
什么是Dropout？
Dropout是一种在神经网络训练中广泛使用的正则化技术，旨在防止模型过拟合，即模型在训练数据上表现优异但在新数据上泛化能力差的问题。其核心原理是在每次训练迭代中随机「丢弃」一部分神经元，即临时将其输出设为零，从而迫使网络不能过度依赖任何特 […]