待验证50% 置信事实精确时间
在机器学习中，等效边界可依据指标的实际意义来定，例如AUROC差异不超过0.01。
1
来源数
50%
置信度
长期有效
时效性
2026/10/19
首次发现
来源
涉及实体
相关事实
已验证AUC的取值范围在0到1之间，数值越大代表模型分类能力越强74% 相似待验证AUC-ROC的核心优势在于对类别不平衡不敏感，能反映模型在不同分类阈值下的综合区分能力，AUC值范围在0.5到1.0之间70% 相似已验证AUC值域为0.5到1.0，0.5代表随机猜测、1.0代表完美预测，不受样本类别不平衡影响70% 相似已验证ROC曲线的AUC=1表示完美分类器，AUC=0.5等同于随机猜测68% 相似待验证在不平衡分类问题中，即使模型将所有样本都预测为多数类也能获得很高的准确率，因此需要转向精确率-召回率曲线、F1分数、Matthews相关系数或AUC-ROC等更具鉴别力的指标66% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/1064992API
curl https://kongchang.com/api/v1/knowledge/claims/1064992MCP
get_claim(id=1064992)