待验证60% 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
2
来源数
60%
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
已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将所有阈值下的表现等权平均，掩盖了在特定低误报率工作阈值下的真实表现，在高安全场景可能给出误导性评估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% 相似待验证校准是指模型输出 0.9 时，在大量同类样本中约有 90% 确实是正确类别；未校准模型可以有高 AUC 但数值不能直接当概率用。72% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/490198API
curl https://kongchang.com/api/v1/knowledge/claims/490198MCP
get_claim(id=490198)