35、模型训练指标优化与数据集平衡策略

模型训练指标优化与数据集平衡策略

1. 精度与召回率

1.1 精度的概念

精度（Precision）可以理解为“不确定就不叫”。以普雷斯顿（Preston）为例，它只有确定是窃贼时才会吠叫。从形式上来说，精度是真正例（True Positives）与真正例和假正例（False Positives）并集的比率。普雷斯顿通过将分类阈值尽可能右移，排除尽可能多无趣的负事件，实现了近乎 1.0 的精度，即它吠叫的对象中 99% 都是盗贼。

1.2 在代码中实现精度和召回率

为了在训练过程中跟踪精度和召回率，我们需要更新 logMetrics 函数。具体步骤如下：
1. 计算所需的值：

neg_count = int(negLabel_mask.sum())
pos_count = int(posLabel_mask.sum())
trueNeg_count = neg_correct = int((negLabel_mask & negPred_mask).sum())
truePos_count = pos_correct = int((posLabel_mask & posPred_mask).sum())
falsePos_count = neg_count - neg_correct
falseNeg_count = pos_count - pos_correct

2. 计算精度和召回率并存储在 metrics_dict