关于机器学习中怎样区分正负样本
正负样本是相对的概念，不同的正负样本定义对问题解决没有本质影响，但好的正负样本定义可以减轻认知负担、方便人对问题的理解。你面临的问题我觉得更接近异常检测，因此我认为你同事说法更合理。
■网友
一般性模型优化的定义无所谓严格区分正负样本。实际中，应该以目标为导向，如果你的目标是识别出位置错误的信息，那么你应该定义位置错误的样本是正样本，然后根据选好的数据集进行相应的优化。如果你的目标是为了识别出位置正确的样本，那你应该定义位置正确的样本是正样本。至于为什么要根据目标来定义正样本，因为你在优化损失函数的时候，是根据预测错误的正样本来进行优化的，如果你的目标定义错误的话，你的优化方向可能是反过来的，特别是对正负样本不平衡的数据集来说。
■网友
一般是把(二分类)任务中要查找(识别)出来的类别称做正类
推荐阅读
![[图说武器装备]土方遭遇欺骗，一对一损失太大，气体装甲车出现在叙战场上](https://imgcdn.toutiaoyule.com/20200402/20200402150729547093a_t.jpeg)
- 过节■江苏省委省政府办公厅下发关于做好2021年元旦春节期间有关工作的通知
- |徐州市出台《关于优化创新创业生态系统 提升区域科技创新活力的实施意见》及实施细则
- 雨下|全球关于禁售燃油车只是理论上可行吗
- 现在在线学习视频有很多了，为啥大部分人还是喜欢下载下来观看
- 关于用phpfsocket 写Post， 模拟http 报文怎样写入要传输的处理数据
- 婴儿|美国儿科学会： 1岁以下婴儿不推荐学习游泳
- 智叔|很多家长还在整箱买：谈谈关于牛奶的17个真相警惕这些列入黑名单的“假牛奶”
- 电话营销机器人哪个比较好用
- 在美国大学学习computer science 是啥样的体验
- 关于微信小程序的思考：运营者该何去何从