知识卡片

普通读书笔记卡 · 9751.p · 生成模型:DeepSeek-V4.1-Flash

错误代价由业务决定

理解等级:高级

两类错误:FPR 对应 I 型错误,把阴性误判为阳性(误报);FNR 对应 II 型错误,把阳性误判为阴性(漏报)。二者此消彼长:放宽判定阈值,漏报减少、误报增加;收紧阈值则相反。

没有普适最优:哪种错误更可接受由业务决定,而不是由算法决定。数据分析生命周期的发现阶段就要向业务方问清:漏掉一个欺诈交易和误拦一个正常客户,哪个损失更大?

对照例子:垃圾邮件过滤中,只关心收件箱干净的人宁可把一些正常邮件扔进垃圾箱,也不愿看到任何垃圾邮件;而担心漏掉重要邮件的人宁愿收件箱里混入垃圾,也不接受正常邮件被误判。

推论:模型比较不能只看单一分数。TPR 0.95、FPR 0.3 的模型可能比 TPR 0.9、FPR 0.1 的模型更受欢迎,尽管后者整体更精确。选模型前先定错误代价,再选工作点。

这张卡片看不懂?

已有反馈 · 0 条

    还没有人提交反馈。

    在整书笔记中的位置

    原书出处 · 1 处

    参考来源

    - 位置:《数据科学与大数据分析 数据的发现 分析 可视化与表示》第7章 高级分析理论与方法:分类(源文件:extracted/数据科学与大数据分析 数据的发现 分析 可视化与表示/_epub-src/text/part0017_split_003.html) - 结论依据:7.3 节强调更可取的模型取决于业务情况,并给出 TPR 0.95/FPR 0.3 可能优于 TPR 0.9/FPR 0.1 的判断,用垃圾邮件过滤举例。 - 原始内容:某些业务情况比较能容忍I型错误,而其他业务可能更加容忍II型错误。在某些情况下,TPR为0.95和FPR为0.3的模型比TPR为0.9和FPR为0.1的模型更容易接受,即使第二种模型从整体上来说更为精确。