待验证50% 置信事实精确时间

当正负样本比例极端时，PR曲线下的面积（AUPRC）往往比AUC更能揭示真实性能

1

来源数

50%

置信度

长期有效

时效性

2026/7/12

首次发现

来源

从零训练机器学习模型：新手完整入门指南

redditr/learnmachinelearning2026/7/11

相关事实

待验证在极度不平衡数据集中（阳性率低于5%），PR曲线下面积（AP）往往比AUC更能反映模型对少数类的检测能力83% 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73% 相似待验证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72% 相似待验证iPSAE评分对Binder二分类预测的AUC仅为0.65，远低于可靠分类器水平69% 相似待验证AUC（Area Under Curve）是衡量分类模型好坏最常用的指标之一68% 相似

引用此条事实

Stable URI

https://kongchang.com/claim/490198

API

curl https://kongchang.com/api/v1/knowledge/claims/490198

MCP

get_claim(id=490198)