Unverified50% confidenceDecision RuleExact time
在面对高度不平衡的分类数据集时，应考虑SMOTE过采样或调整评估指标从准确率转向F1分数
1
Sources
50%
Confidence
Long-term
Relevance
9/7/2026
First Seen
Sources
Related Entities
Related Claims
Unverified在类别不平衡场景下F1分数比准确率更能反映模型对少数类的识别能力75% similarUnverified微调时应使用难负样本（如同领域但不同层级的岗位）而非随机负样本，以获得最大增益71% similarVerified若用含测试集的全量数据计算均值和标准差，会导致预处理泄漏，使评估指标虚高，无法真实反映模型泛化能力69% similarUnverified对MoE模型的量化需要格外谨慎，因稀疏激活使专家参数数值分布集中，低比特量化易造成路由偏差导致能力退化68% similarUnverified识别准确率与误报率是核心权衡：灵敏度调太高能捕捉细微哭声但误报增多，调太低漏报风险大，实际使用应从中高档起步逐步微调67% similar
Cite This Claim
Stable URI
https://kongchang.com/claim/869690API
curl https://kongchang.com/api/v1/knowledge/claims/869690MCP
get_claim(id=869690)