深度学习进阶文档深度页

深度学习评估与类别不平衡

从 logits、阈值、混淆矩阵、AUC、校准和 mask 建立可靠评价。

学习目标

手算 P/R/F1
选择阈值
排除 padding

为什么需要这个概念

模型排序好不代表阈值好或概率校准好。

决定真实业务表现
避免少数类失效

学习前需要掌握

输出层与损失内容待补充

背景与问题

模型排序好不代表阈值好或概率校准好。

概念定义

损失用于学习，指标用于解释任务表现；类别不平衡时 Accuracy 可能误导。

直观理解

不同指标回答不同问题，先说明哪种错误更贵。

核心原理

验证集选阈值/权重/温度，测试只最后评估；评估集保持真实分布。

序列任务仅统计 valid mask；指标跨完整数据累计而非平均 batch 指标。

数学表达

核心公式

F_{1} = 2 \frac{P R}{P + R}

P 精确率，R 召回率。

变量含义

TP/FP/FN/TN混淆矩阵计数

计算步骤

1Precision=30/40=.75
2Recall=30/50=.6

代码对应位置

示例 1深度学习评估与类别不平衡 · PyTorch 示例：验证深度学习评估与类别不平衡的输入、计算和输出。

变量解释

变量	含义
`TP/FP/FN/TN`	混淆矩阵计数

完整数值示例

指标

已知条件

TP=30,FP=10,FN=20,TN=940

1
Precision=30/40=.75
2
Recall=30/50=.6

F1≈0.667

处理前后对比

计算与实现步骤

1
收集 logits
2
转概率
3
验证选阈值
4
累计混淆
5
计算每类指标
6
最终测试

代码实现

示例 1

深度学习评估与类别不平衡 · PyTorch 示例

深度学习评估与类别不平衡 · PyTorch 示例

PyTorchexample_01.py

用途：验证深度学习评估与类别不平衡的输入、计算和输出。

1prob=torch.sigmoid(logits)
2pred=(prob>=.5).long()
3tp=((pred==1)&(target==1)).sum()

代码解析

解析始终位于完整代码下方，并按实际代码段逐项对应。

输入数据与任务

验证深度学习评估与类别不平衡的输入、计算和输出。

prob: 模型输出的正类概率。

Step 1 · 1–3 行

logits 先 Sigmoid

prob=torch.sigmoid(logits)
pred=(prob>=.5).long()
tp=((pred==1)&(target==1)).sum()

预期输出或运行结果

得到 TP 等计数用于指标。

常见错误 · 5 条

只 Accuracy
测试选阈值
AUC 当校准
padding 入指标
评估集过采样

实际应用

医学/故障/序列

常见错误

只 Accuracy

测试选阈值

AUC 当校准

padding 入指标

评估集过采样

文档来源

16_模型评估与类别不平衡原始文档

学习资料/deeplearning/16_模型评估与类别不平衡.md

§1 损失与指标
§3–8 指标
§9 校准
§10 不平衡
§11 mask
§12–14 代码错误

常见问题

AUC 高代表概率可信？

不代表，校准是另一问题。

阈值在哪选？

验证集。

深度学习评估与类别不平衡

从 logits、阈值、混淆矩阵、AUC、校准和 mask 建立可靠评价。

学习目标

手算 P/R/F1
选择阈值
排除 padding

为什么需要这个概念

模型排序好不代表阈值好或概率校准好。

决定真实业务表现
避免少数类失效

学习前需要掌握

输出层与损失内容待补充

背景与问题

模型排序好不代表阈值好或概率校准好。

概念定义

损失用于学习，指标用于解释任务表现；类别不平衡时 Accuracy 可能误导。

直观理解

不同指标回答不同问题，先说明哪种错误更贵。

核心原理

验证集选阈值/权重/温度，测试只最后评估；评估集保持真实分布。

序列任务仅统计 valid mask；指标跨完整数据累计而非平均 batch 指标。

数学表达

核心公式

F_{1} = 2 \frac{P R}{P + R}

P 精确率，R 召回率。

变量含义

TP/FP/FN/TN混淆矩阵计数

计算步骤

1Precision=30/40=.75
2Recall=30/50=.6

代码对应位置

示例 1深度学习评估与类别不平衡 · PyTorch 示例：验证深度学习评估与类别不平衡的输入、计算和输出。

变量解释

变量	含义
`TP/FP/FN/TN`	混淆矩阵计数

完整数值示例

指标

已知条件

TP=30,FP=10,FN=20,TN=940

1
Precision=30/40=.75
2
Recall=30/50=.6

F1≈0.667

处理前后对比

计算与实现步骤

1
收集 logits
2
转概率
3
验证选阈值
4
累计混淆
5
计算每类指标
6
最终测试

代码实现

示例 1

深度学习评估与类别不平衡 · PyTorch 示例

深度学习评估与类别不平衡 · PyTorch 示例

PyTorchexample_01.py

用途：验证深度学习评估与类别不平衡的输入、计算和输出。

1prob=torch.sigmoid(logits)
2pred=(prob>=.5).long()
3tp=((pred==1)&(target==1)).sum()

代码解析

解析始终位于完整代码下方，并按实际代码段逐项对应。

输入数据与任务

验证深度学习评估与类别不平衡的输入、计算和输出。

prob: 模型输出的正类概率。

Step 1 · 1–3 行

logits 先 Sigmoid

prob=torch.sigmoid(logits)
pred=(prob>=.5).long()
tp=((pred==1)&(target==1)).sum()

预期输出或运行结果

得到 TP 等计数用于指标。

常见错误 · 5 条

只 Accuracy
测试选阈值
AUC 当校准
padding 入指标
评估集过采样

实际应用

医学/故障/序列

常见错误

只 Accuracy

测试选阈值

AUC 当校准

padding 入指标

评估集过采样

文档来源

16_模型评估与类别不平衡原始文档

学习资料/deeplearning/16_模型评估与类别不平衡.md

§1 损失与指标
§3–8 指标
§9 校准
§10 不平衡
§11 mask
§12–14 代码错误

学习目标

为什么需要这个概念

学习前需要掌握

背景与问题

概念定义

直观理解

核心原理

数学表达

核心公式

变量含义

计算步骤

代码对应位置

变量解释

完整数值示例

指标

已知条件

处理前后对比

计算与实现步骤

代码实现

深度学习评估与类别不平衡 · PyTorch 示例

代码解析

输入数据与任务

Step 1 · 1–3 行

预期输出或运行结果

常见错误 · 5 条

实际应用

常见错误

与其他概念的关系

文档来源

常见问题

AUC 高代表概率可信？

阈值在哪选？

推荐学习资料

学习目标

为什么需要这个概念

学习前需要掌握

背景与问题

概念定义

直观理解

核心原理

数学表达

核心公式

变量含义

计算步骤

代码对应位置

变量解释

完整数值示例

指标

已知条件

处理前后对比

计算与实现步骤

代码实现

深度学习评估与类别不平衡 · PyTorch 示例

代码解析

输入数据与任务

Step 1 · 1–3 行

预期输出或运行结果

常见错误 · 5 条

实际应用

常见错误

与其他概念的关系

文档来源

常见问题

AUC 高代表概率可信？

阈值在哪选？

推荐学习资料