选择二元分类评估指标以降低假阳性
本指南介绍如何在 scikit-learn 中选择以精确度为导向的指标、进行阈值分析以及分解混淆矩阵，从而在二元分类任务中最大限度地减少假阳性率。
binary-classification / precision / false-positive / scikit-learn / threshold-selection / confusion-matrix / det-curve / model-evaluation
首页 / 主题
数学、统计与模型质量
数学模型实用解释：过拟合、质量评估、结果检查，以及结论的适用限制。
将模型结论与任务条件及评估方法对照。原理解释和检查步骤有助于识别过拟合，并判断结果何时不再可靠。
内容
8 篇内容按假阳性和假阴性的成本选择分类阈值
一个关于通过加权假阳性和假阴性成本来选择决策阈值的实用指南，使用保留的验证集和 scikit-learn 混淆矩阵。
threshold‑tuning / cost‑sensitive / confusion‑matrix / scikit‑learn / model‑validation
选择 MAE 还是 RMSE 进行误差预测
了解平均绝对误差 (MAE) 和均方根误差 (RMSE) 之间的区别，如何为您的预测任务选择正确的指标，以及大误差对每个指标的影响。
regression / model evaluation / MAE / RMSE / error metrics / scikit-learn / machine learning
使用经验覆盖率和宽度评估预测区间
预测区间旨在包含未来单个观测值，而置信区间针对均值或其他参数，两者不可互换。经验覆盖率是保留数据中落在区间内的比例，宽度是分位数界限之间的距离；一个构造的五值示例给出 80% 覆盖率和平均宽度 1.8。
prediction interval / confidence interval / quantile regression / empirical coverage / interval width / scikit-learn / calibration / held-out evaluation
如何将时间序列预测与季节性基线比较
构建上一季节的参考，在后来的观测值上进行评估，并区分日历对齐与泄漏和缺失数据的区别。
Time Series / Forecasting / Baseline / Validation
将组平均值与其实际分母结合
了解为什么不同大小的组会产生合并平均值 18 而不是 15，并附有简短的 Python 示例。
math
过拟合与学习曲线：在没有数据泄漏的前提下诊断差距
结合训练与验证分数，把预处理放进 pipeline，并让最终测试集独立于参数选择。
Machine Learning / Validation / Overfitting
验证时间序列预测时，如何避免未来信息泄漏
按时间划分数据，只用过去的数据学习预处理参数。
Python / Time series / Validation