二分类#

术语解释#

二分类（Binary Classification）是一类分类任务，其目标是预测样本属于两个互斥类别中的哪一个，即正类（positive class）与负类（negative class）。

其本质是建立一个模型，对新输入的样本判定其应归属的具体类别，因此也常被表述为：需要建立一个模型来判断新输入的样本应属于哪个类别。

典型例子包括：

• 判断邮件是否为垃圾邮件（正类）或非垃圾邮件（负类）。

• 根据医学症状判断一个人是否患有某种疾病（正类）或未患该病（负类）。

二分类与多分类（multi-class classification）相对。当类别数多于两个时，常通过 One-vs-all 策略，将其中一个类别与其余所有类别视为一个二分类任务进行训练，最终得到多个二分类模型。

相关概念#

• 逻辑回归（logistic regression）：常用于解决二分类问题。模型首先输出样本属于正类的概率值，再根据一个阈值（通常默认 0.5）将概率转化为具体类别。

• 分类阈值（classification threshold）：在二分类中，模型输出属于正类的概率后，需根据指定阈值判定是否为正类；该阈值默认为 0.5，也可根据实际情况调整以获得更好的预测结果。

评价指标#

在二分类中，常通过混淆矩阵中的 TP（真正例）、FP（假正例）、FN（假负例）、TN（真负例）来计算精确率（Precision）、召回率（Recall）、准确率（Accuracy）等指标，从而评估模型表现。

术语别名#

• Binary Classification

• 二类分类

相关术语#

• 多分类

• 逻辑回归

• 分类阈值

• 混淆矩阵

• 精确率

• 召回率

• 准确率