准大二学生从0开始学AI——机器学习Day15

—

type: learning_note

title: 项目周期与精确率召回率

date: 2026-08-06

course: "Andrew Ng — Course 2 高级学习算法"

phase: "C2 Day 8"

videos: "#84-#87"

—

# 2026-08-06 学习笔记

## 笔记区（学的时候随手记）

### 核心观点

– **完整项目流程**（#84）：ML 项目不是一次性建模，是**迭代循环**——定义项目/目标 → 收集数据 → 训练模型 → 上线看反馈 → 反馈不好回到前面环节重来（可能补数据 / 改特征 / 调参 / 换算法）。"先定义好项目，然后收集数据，再训练模型，最后上线看反馈，训练数据不好就从收集数据这里改进，上线反馈有问题再重新训练。"

– **公平、偏见与伦理**（#85）：偏见主要来自**训练数据本身**——历史数据里对特定人群的系统性偏见被模型学走。避免方法：**团队多元化**（不同背景的人参与，看到单一视角看不见的问题）、部署前做**审计/危害评估**、提前制定**缓解计划**（出问题了怎么办，自动驾驶做了这类预案）。

– **偏斜数据集的错误指标**（#86）：数据严重不平衡时（罕见病、罕见故障），准确率没参考价值，改用**精确率 / 召回率**。理解这两个指标的钥匙是**混淆矩阵**（见关键方法）。

– **权衡精确率与召回率**（#87）：阈值不是非得 0.5，偏斜数据下可调。调高阈值 → 预测阳性变少 → 精确率升、召回率降（**负相关**）。决策标准不是"占比大小"，是**「哪种错代价大」**：漏报代价大 → 高召回率；误报代价大 → 高精确率。

### 关键方法/流程

**混淆矩阵怎么画（2×2）：**

```

            实际正(y=1) 实际负(y=0)

预测正 TP FP ← 预测阳性共 TP+FP

预测负 FN TN ← 预测阴性共 FN+TN

           实际阳性 TP+FN 实际阴性 FP+TN

```

填格思路：先看预测归哪类，再看实际归哪类，两个一致是"正解"（TP/TN），不一致是"错"（FP/FN）。

– **精确率 = TP ÷ (TP+FP)**：分母是**预测阳性那一行**（模型说了算的）

– **召回率 = TP ÷ (TP+FN)**：分母是**实际阳性那一列**（真实的正例）

– 记忆锚：精确率看"预测"那一行，召回率看"实际"那一列

**trade-off 决策标准：**

```

漏报（假阴性）代价大 → 优先高召回率 → 调低阈值（如罕见病筛查，宁可多误报也别漏诊）

误报（假阳性）代价大 → 优先高精确率 → 调高阈值（如判刑 / 放贷，宁可放过也不冤枉）

```

俗语对照："宁可错杀一千，不可放过一人" = 高召回（宁杀错不漏）；"宁放过一千，不错杀一个" = 高精确。

### 实战记录

– 出题验证 4 道全部通过：#84 项目流程、#85 公平伦理、#86 精确率 vs 召回率、#87 权衡

—

## 线索区（学完后合上材料，自问自答）

**Q: 听的时候明白，但做的时候画不出混淆矩阵表格**

A: 只记住了两个定义，没建立 2×2 表格的心智模型。先把预测/实际两类各占一行一列，把 TP/FP/FN/TN 四个数字填进去，指标就是同一个 TP 除以不同的一行（精确率）或一列（召回率）。

**Q: 阈值升高为什么精确率升、召回率降？（"预测失败的内容少了，那么召回其实就很难召回，这就是为什么召回率和准确率负相关"）**

A: 阈值调高 = 更保守，只有很确定才判阳性 → 预测阳性变少，精确率升；但真阳性被漏掉更多，召回率降，二者负相关。（用户说的"准确率"应为"精确率"，本课未讲准确率指标。）

**Q: 什么时候优先高精确率、什么时候优先高召回率？（用户推导："看漏报和错报的代价哪个大，漏报代价大那就一定要召回，报错代价大就必须准确"）**

A: 看哪种错代价大，不是看占比。漏报（假阴性）代价大 → 高召回率（如罕见病筛查，漏诊要命）；误报（假阳性）代价大 → 高精确率（如错判罪、错放贷）。

**Q: 患病例子为什么优先高召回率而不是高精确率？**

A: 罕见病筛查最怕漏诊——真得病没被发现有生命危险。宁可多误报（让更多人来复查），也不漏掉一个病人。

—

## 总结（50字以内，用自己的话概括今天学到了什么）

ML 项目是迭代循环；偏见来自数据要防；偏斜数据看精确率召回率，混淆矩阵一张表记牢；漏报代价大高召回，误报代价大高精确。

—

## 复习卡片

| 概念 | 一句话 | 我的场景 |

| ———— | ————————————– | —————————— |

| 项目完整循环 | 定义→数据→训练→上线→反馈→回上一环 | "不好就回上一环节重来" |

| 偏见根源 | 训练数据带历史偏见，模型学走 | "数据有问题，对特定人群不公平" |

| 混淆矩阵 | 2×2 表，精确率看预测行，召回率看实际列 | "一张表走天下" |

| 精确率 | 模型说阳性的里，真的占几成 | "模型说了算的那一堆" |

| 召回率 | 真实阳性里，抓到几成 | "真得病的抓到了几成" |

| 决策标准 | 漏报代价大→高召回；误报代价大→高精确 | "宁可多误报也别漏诊" |