假設您建立用於偵測垃圾郵件的邏輯迴歸模型 就會預測 0 到 1 之間的值 都是垃圾郵件。如果預測值為 0.50，代表電子郵件 若是垃圾郵件，預測結果是 0.75，代表該電子郵件被歸類為垃圾郵件的機率為 75% 依此類推
您想要在電子郵件應用程式中部署這個模型，以便篩選垃圾郵件
另一個郵件資料夾但為瞭解決這個問題，您需要將模型的原始
數字輸出內容 (例如0.75) 分成兩個類別：「垃圾內容」或「not」
垃圾資訊。」
如要達成這項轉換，您必須選擇門檻機率 (稱為
分類門檻：
系統會指派機率高於門檻值的樣本
加入正向類別
要測試的類別 (此處為 spam)。低值範例
機率會指派給負類別
替代類別 (此處為 not spam)。
按這裡進一步瞭解分類門檻
您可能會好奇：如果預測分數等於 分類門檻 (例如分數是 0.5， 分類門檻也是 0.5)？這個案件的處理方式 取決於為分類選擇的特定實作方式 模型例如，Keras 程式庫會預測分數和門檻 但其他工具/架構可能會處理這種情況 有差異。
舉例來說，假設模型的分數為 0.99 分，預測 電子郵件有 99% 的機率會成為垃圾郵件，而其他電子郵件 0.51，這意味著它有 51% 的機率是垃圾郵件。如果將 將分類門檻設為 0.5，模型會將兩封電子郵件視為 垃圾內容。如果將門檻設為 0.95，那麼只有分數為 0.99 的電子郵件才會 可能會歸類為垃圾內容
雖然 0.5 看起來好像直觀的門檻，但如果 某種類別錯誤的費用大於另一種類別，或 所以類別數量的平衡不平衡如果只有 0.01% 的電子郵件是垃圾郵件，或郵件傳送錯誤 正常電子郵件會比把垃圾郵件放入收件匣裡更糟， 標示模型認為至少有 50% 可能是垃圾資訊的內容 以免產生不想要的結果
混淆矩陣
機率分數不存在事實，或 基準真相。 二元分類器的每個輸出內容有四種可能的結果。 針對垃圾郵件分類器範例，如果您以欄的形式顯示真值 並將模型預測結果視為資料列，名為 混淆矩陣是 結果：
| 實際為正值 | 實際負值 | |
|---|---|---|
| 預測為陽性 | 真陽性 (TP)：垃圾內容 系統已將該電子郵件正確歸類為垃圾郵件。這些是垃圾郵件 自動傳送到垃圾郵件資料夾 | 偽陽性 (FP)：誤遭歸類為垃圾郵件的非垃圾郵件 垃圾內容。這些是合法的 就會進入垃圾郵件資料夾 |
| 預測性陰性 | 不正確 負數 (FN)：系統誤將垃圾郵件歸類為非垃圾郵件。這些是垃圾內容 不屬於 這些東西並進入收件匣。 | 真陰性 (TN)：A 非垃圾郵件正確歸類為非垃圾郵件。 這些是正常傳送的電子郵件 也就是直接進入收件匣 |
請注意，每列的總數會得到所有預測陽性 (TP + FP) 和 所有預測陰性 (FN + TN) 的值，無論是否有效。每個預測的 欄中，所有實數 (TP + FN) 和實數 (FP + TN)。
當實際正值總數不接近實際總值時 而資料集 不平衡。執行個體 可能是一組數以千計的雲層相片， 您感興趣的稀有雲類型 (例如火山雲) 數次
閾值對真陽性和偽陰性的影響
不同門檻值通常會造成「是」和「否」的不同 精確度等於真陽性除以 真陽性與偽陰性的總和下方影片將說明 專案或資料夾
請嘗試自行變更正常值範圍。
這個小工具包含三個玩具資料集：
- 分隔：通常正面範例和負面示例 且結果差異很大，眾多正向範例的分數都高於 排除範例
- 不分隔：許多正示例的分數低於 而許多負面範例的分數都比 正面範例。
- Imbalanced：只包含少量正類別的範例。