本文主要是介绍增加负样本对二分类precision, recall指标的影响，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！
背景
最近在做一个二分类模型，通过增加一半随机采样负样本（3000->6000, 负正样本比由0.74:0.25上升至0.87:0.12， 即3：1上升至7：1），精确率提高2%（89%->91），召回率降低6%(62->57%);
为什么在训练集中增加负样本能够提升精确率？
从精确率的公式上解释，precision = tp/(tp+fp), 增加负样本，实际上是增强模型对负样本的识别能力，因此fp会减小（将负样本识别成正样本），因此分母减小，precision增加。会不会造成正样本识别减弱？答案是肯定的。从召回来看 recall = tp/(tp+fn), fn指的将正样本预测成负样本，随着训练集中负样本增加，负增样本比增加，模型更倾向与将正样本预测成负样本，有更多的tp -> fn, 因此，recall公式中，分母会增加，recall随之减小。
在实际线上业务中，负样本的比例非常高，因此，如何构造难的负样本，让模型在训练阶段学习到更多负样本特性，精确率会随之提升。
对应的，如果要增加召回率，则需要在训练集中增加更多的正样本，让模型学习到更多的正样本的特性。
这篇关于增加负样本对二分类precision, recall指标的影响的文章就介绍到这儿，希望我们推荐的文章对编程师们有所帮助！
