哈喽！相信很多朋友都对什么是正样本不太了解吧，所以小编今天就进行详细解释，还有几点拓展内容，希望能给你一定的启发，让我们现在开始吧！
本篇目录：
二分类算法评估指标
评估一个二分类的分类器的性能指标有： 准确率、查准率、查全率、F1值、AUC/ROC 。前面几个比较直观，AUC/ROC相对抽象一点。
分类算法常用指标：准确率（Accuracy）；但当样本中的分类极度不均匀时，分类准确率并不能说明问题。
对于二元分类，通常可以输出混淆矩阵，看预测的情况，并从中总结出一些指标，给予评价。 混淆矩阵也称误差矩阵，是表示精度评价的一种标准格式，用n行n列的矩阵形式来表示。
对于分类器，或者说分类算法，评价指标主要有precision，recall，F-score等，以及这里要讨论的ROC和AUC。混淆矩阵是理解大多数评价指标的基础，毫无疑问也是理解AUC的基础。
什么样本才是正确的样本?
在概率论和数理统计中，你理解的样本是正确的，即从一个总体中随机取出的n个观测值。这里的Xi代表的是随机变量，也就是样本中的每一个观测值，i只是它的序号，从1到n。
样本是观测或调查的一部分个体，总体是研究对象的全部。总体中抽取的所要考查的元素总称，样本中个体的多少叫样本容量。研究中实际观测或调查的一部分个体称为样本，研究对象的全部称为总体。
研究中实际观测或调查的一部分个体称为样本，研究对象的全部称为总体。
样本是观测或调查的一部分个体，总体是研究对象的全部。总体中抽取的所要考查的元素总称，样本中个体的多少叫样本容量。举例子：假设学校有2000人，要抽200人出来量身高。200就是样本容量，抽样比是十分之一。
相反，大样本指的是数据集的规模相对较大，包含的样本数量较多。大样本具有更多的信息量，能够更好地反映总体的特征和规律。大样本的特点是更加稳定和可靠，统计结果更具有代表性。
好的样本能体现生产产品的企业的企业文化，体现企业及主导产品的历史，企业团队，企业精神，产品质量，企业信誉，参加重大项目及主导产品的覆盖范围，企业产品服务的宗旨和能力等等。
召回率的常用名词
准确率（Accuracy）：准确率是衡量分类结果正确性的最常用指标。它表示正确分类的样本数量占总样本数量的比例。准确率越高，分类结果越好。
查全率（召回率），是衡量某一检索系统从文献集合中检出相关文献成功度的一项指标，即检出的相关文献与全部相关文献的百分比。普遍表示为：查全率=（检索出的相关信息量/系统中的相关信息总量）x100%。
召回率(recall) 回归模型(regression model) 一种输出持续值(通常是浮点数)的模型。而分类模型输出的是离散值。 正则化(regularization) 对模型复杂度的惩罚。正则化帮助防止过拟合。
对于二分类常用的指标为精确率（precision）与召回率（recall）。
如何动态调整准确率与召回率?
1、要调整准确率与召回率，直接调整s就行了。增大s，准确率上升，召回率下降；减少s，准确率下降，召回率上升。如何理解？模型的输出 可以代表信心（也就是模型预测样本为正的确信程度）。
2、搜索的基础模型，就是一个按照词对于文档内容建立索引，再响应用户检索词，按照索引结构筛选出对应文档的过程。这也就是，为什么我们在谈及搜索的时候，总是不能免俗的要提到准确率和召回率的原因。
3、一般情况下，为提高召回率，搜索引擎会采取一些措施，例如扩大搜索范围，增加搜索结果等，但是，这样做就会降低准确率。反之，为提高准确率，搜索引擎会减少搜索结果的数量，但是这样就会降低召回率。
4、召回率越高，表示模型对实际正类样本的识别能力越强，模型的漏报率越低。在使用这些指标时，需要根据具体的应用场景和分类任务的要求来选择合适的指标进行评估。
5、准确率=预测的准确量/召回量（找出量）。比如：在所有样本中，模型预找出50人说他们都是男性，而找出的这波人里实际只有40人为男性，准确率=40/50=80%，用来衡量找出部分的准确度。
6、precision和recall都是针对某一类的分类状况来说的。
如何用OpenCV训练自己的分类器
（6）进行样本训练 该步骤通过调用OpenCV\bin目录下的haartraining程序(新版本的opencv改名为opencv_haartraining)来完成。其中，Haartraining的命令行参数为：－data 存放训练好的分类器的路径名。
依次类推，经过 T 次循环，得到 T 个弱分类器，把这 T 个弱分类器按一定的权重叠加（boost）起来，得到最终想要的强分类器。训练系统总体框架，由“ 训练部分”和 “ 补充部分”构成。
使用opencv_traincascade.exe文件进行训练 首先在当前目录下新建一个dt文件夹用于存放生成的.xml文件。
使用级联分类器工作包括两个阶段：训练和检测。 检测部分在OpenCVobjdetect 模块的文档中有介绍，在那个文档中给出了一些级联分类器的基本介绍。
步的时候程序会停主，从而不能生成.xml文件你可以把-nstages参数设置到对应的步数，重新训练。当然不生成xml文件也能用，cvLoadHaarClassifierCascade函数就是手动添加分类器的，不过没有用cvLoad直接加载xml文件方便。
【金融风控】风险模型评价指标
1、KS(Kolmogorov-Smirnov)：KS用于模型风险区分能力进行评估，指标衡量的是好坏样本累计分部之间的差值。好坏样本累计差异越大，KS指标越大，那么模型的风险区分能力越强。
2、通常逾期几天的用户可能是忘了还款或一时手头紧张，但FPD 7 指标可以用户来评价授信人群的信用风险，对未来资产的健康度进行预估。与FPD 7 类似，FPD 30也是对用户首笔待还账单逾期情况进行观察的指标。
3、在此风险模型中使用的风险度量指标就是VaR即在险价值。
4、风险量化评估模型主要有KMV模型、JP摩根的VAR模型、RORAC模型和EVA模型。
5、衡量风险的指标有三个：第一个：贝塔系数：该指数的指标数值较大的话，就意味着该项目存在的风险会比较大。
以上内容就是解答有关什么是正样本的详细内容了，我相信这篇文章可以为您解决一些疑惑，有任何问题欢迎留言反馈，谢谢阅读。
微信扫一扫打赏
