machine-learning - 哪一类是阳性以及在为 ML 准备数据时如何确定真正的警报

Question

我正在为机器学习准备一些数据。这个问题很简单，但我有点困惑。

假设有一个系统每 1 小时大约有 100 个警报，但只有 1 或 2 个警报是真正的警报。假警报会被人忽视。我收集了一些看起来像特征的数据，并为假警报或真实警报添加了标签 0 或 1。

这样的话，真正的报警是0还是1？这样，TP、TN、FP、FN、机会等级就会改变。我们感兴趣的是真实的警报，即使所有警报都是人工检查的，我们也不想错过它。

几乎警报是假的，所以机会水平将超过 95%。那么主类别和正类别将是1并且假警报？但我们的兴趣不是假警报。这种情况下应该如何设置标签呢？

Answer 1

这两种方式对于模型的性能来说都一样好，因为损失函数不受你标记 1 或 0 的方式影响。就我个人而言，我认为 0 应该用于伪造的，而 1 应该用于真实的。