待验证50% 置信权衡取舍精确时间

在高维医疗数据中，为少数类设置更高的类别权重或使用Focal Loss等自适应损失函数，通常比SMOTE过采样更稳健

1

来源数

50%

置信度

长期有效

时效性

2026/9/11

首次发现

来源

DHIS2结核病AI预测系统实战：从风险分级到临床决策支持

涉及实体

SMOTEtechnology Focal Losstechnology

相关事实

待验证InfoNCE 损失通过在一批候选中最大化正样本对相似度、最小化负样本对相似度进行训练，温度超参数τ越小分布越集中74% 相似待验证贝叶斯最优分类器在0-1损失下等价于选择后验概率最大的类别，回归问题中条件期望在平方损失下是最优预测68% 相似待验证绝大多数常见损失函数都可以从最大似然估计推导出来68% 相似待验证在爽约预测任务中，漏掉真正会爽约患者（假阴性）的代价远高于误判到场患者的代价，因此应优先保证召回率67% 相似

引用此条事实

Stable URI

https://kongchang.com/claim/896955

API

curl https://kongchang.com/api/v1/knowledge/claims/896955

MCP

get_claim(id=896955)