机器学习中的正例与反例

在机器学习中，正例和反例是指用于训练和评估模型的样本数据的两个不同类别。

正例（Positive Examples）是指属于我们感兴趣的目标类别的样本。例如，在垃圾邮件分类任务中，正例可以是被标记为垃圾邮件的电子邮件。

反例（Negative Examples）是指不属于目标类别的样本。在上述垃圾邮件分类任务中，反例可以是被标记为非垃圾邮件的电子邮件。

正例和反例在机器学习中起着至关重要的作用。通过使用正例和反例的样本数据，我们可以训练机器学习模型来学习目标类别的特征和模式，从而对新的未知样本进行分类或预测。

相关问题

正例和反例是什么意思

在机器学习和统计分析中，正例（Positive）通常指我们想要模型识别或预测的目标状态，比如在疾病检测中，患病可以视为正例。反例（Negative）则是指模型希望排除的状态，即不患病或非目标状态。例如，对于疾病诊断，健康的人就是负例。

TP（True Positive）代表模型正确预测出的正例，而FN（False Negative）则是指模型错误地将正例预测为负例，也就是实际患病但被误诊为健康的病例。FP（False Positive）指的是模型错误地将负例预测为正例，即未患病却被诊断为患病的情况。TN（True Negative）则是模型正确预测出的负例，即实际健康的人被准确识别。

在不平衡数据集中，由于正例数量较少，模型可能容易偏向预测负例，这就可能导致召回率（TP / (TP + FN)）降低。通过重新采样技术如过采样和欠采样，可以调整数据分布，以提升模型对正例（正例样本）的识别能力，从而提高整体性能。集成学习是另一种策略，它通过结合多个模型的预测来提高性能，尤其在面对数据不平衡时，可以平衡不同模型对正负例的处理。[^1][^2]

什么是真正例，假正例，真反例，假反例

真正例（True Positive，TP）指的是实际为正例的样本被正确地预测为正例的情况。

假正例（False Positive，FP）指的是实际为负例的样本被错误地预测为正例的情况。

真反例（True Negative，TN）指的是实际为负例的样本被正确地预测为负例的情况。

假反例（False Negative，FN）指的是实际为正例的样本被错误地预测为负例的情况。

这些概念通常在机器学习领域的二分类问题中使用，用于评估模型的性能。