浏览以下选项。
假设有一个将电子邮件分为两类的分类模型：
“垃圾内容”或“非垃圾邮件”。如果您提高分类阈值，
精确率如何？
一定会增加。
提高分类阈值通常会提高精确率；
不过，精确率不保证会单调递增
阈值。
可能会增加。
一般而言，提高分类阈值可减少假
从而提高精确率。
可能会降低。
一般而言，提高分类阈值可减少假
从而提高精确率。
一定会降低。
一般而言，提高分类阈值可减少假
从而提高精确率。
浏览以下选项。
假设有一个将电子邮件分为两类的分类模型：
“垃圾内容”或“非垃圾邮件”。如果您提高分类阈值，
碰巧回忆？
始终增加。
提高分类阈值会导致以下两种情况：
<ph type="x-smartling-placeholder">
- </ph>
- 真正例的数量会减少 保持不变
- 假负例的数量会增加 保持不变
始终降低或保持不变。
提高分类阈值会导致
真正例数量减少或保持不变，
要增加或保持不变的假负例数量。因此，
召回率会保持不变或下降。
始终保持不变。
提高分类阈值会导致
真正例数量减少或保持不变，
要增加或保持不变的假负例数量。因此，
召回率会保持不变或下降。
浏览以下选项。
假设有两个模型（A 和 B），这两个模型分别对同一数据集进行评估。
下列哪项陈述是正确的？
如果模型 A 的精确率优于模型 B，那么
模型 A 的效果更佳。
虽然更高的精确率是好事，但可能会以牺牲
都是因为召回率大幅降低。一般来说，我们需要查看
同时评估精确率和召回率，或者汇总曲线下面积等指标
我们接下来会介绍这一点
如果模型 A 的召回率高于模型 B，则模型 A
。
虽然提高召回率是好事，但
以大幅降低精度为代价。一般来说，我们需要
综合查看精确率和召回率，或汇总指标
例如曲线下面积，我们接下来会介绍这点。
如果模型 A 的精确率和召回率均优于模型 B，
那么模型 A 可能更好。
一般来说，一个模型在两个方面都优于另一个模型，
精确率和召回率可能是更好的模型。显然
我们需要确保比较是在
在实践中非常有用的精确率 / 召回率点
才有意义。例如，假设我们的网络垃圾检测模型
需达到 90% 以上的精确率才有意义，
不必要的误报。在此示例中，比较
一个模型 {20% 精确率，99% 召回率} 与另一个模型准确率
{15% 精确率，98% 召回率} 并不是特别有启发性，因为
这两个模型都未达到 90% 的精确率要求。但请注意，
因此，在比较不同模型时，
精确率和召回率。