待验证50% 置信事实精确时间
在样本极度不平衡的场景下，即便准确率高达95%，模型也可能完全无法识别少数类
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
待验证在正负样本极度不均衡的场景（如欺诈检测）中，单纯看准确率作为评估指标毫无意义73% 相似待验证在类别不平衡场景下，模型可以通过一律预测多数类获得看似漂亮的准确率，这种现象被称为准确率悖论（Accuracy Paradox）72% 相似待验证在样本严重不均衡时，精度(Accuracy)会产生误导，模型把所有人都预测为健康精度照样能达到99%以上71% 相似待验证对比学习中的推远操作只要求负样本相似度低于正样本，并不要求达到-1的极端值69% 相似待验证基准测试面临饱和（Saturation）和数据污染（Data Contamination）两个系统性挑战，当多个主流模型得分超过95%时测试集失去区分能力69% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/490199API
curl https://kongchang.com/api/v1/knowledge/claims/490199MCP
get_claim(id=490199)