已验证75% 置信权衡取舍精确时间

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

3

来源数

75%

置信度

长期有效

时效性

2026/7/20

首次发现

来源

零代码做科研：用AI编程工具完成机器学习建模全流程

相关事实

待验证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83% 相似待验证AUC-PR（PR曲线下面积）常作为不平衡数据集上的模型评估指标79% 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75% 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74% 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71% 相似

引用此条事实

Stable URI

https://kongchang.com/claim/567794

API

curl https://kongchang.com/api/v1/knowledge/claims/567794

MCP

get_claim(id=567794)