Unverified50% confidenceCautionExact time
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
1
Sources
50%
Confidence
Long-term
Relevance
9/7/2026
First Seen
Sources
Related Entities
Related Claims
UnverifiedAUC-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76% similarUnverified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75% similarUnverifiedAUC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% similarUnverified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）71% similarUnverified在类别严重不平衡时，PR曲线比ROC曲线更能反映模型的真实性能71% similar
Cite This Claim
Stable URI
https://kongchang.com/claim/870158API
curl https://kongchang.com/api/v1/knowledge/claims/870158MCP
get_claim(id=870158)