分类指标、阈值与置信度校准
概念解释
分类任务需要同时关注识别结果和分数含义。精确率 P=TP/(TP+FP)，召回率 R=TP/(TP+FN)，F1=2PR/(P+R)；置信度校准则考察预测为某一概率的样本，实际正确比例是否与之相符。
核心方法与条件
按误报与漏报代价在验证集上选择阈值，报告混淆矩阵、各类别指标和样本量。需要概率解释时可评估可靠性曲线，并在独立验证数据上拟合温度等校准参数，避免使用测试标签。
例题或应用
1000 张图片仅有 10 张异常，全预测为正常仍有 99% 准确率，但异常召回率为 0。另有 100 个置信度约 0.9 的预测若仅 60 个正确，说明这组分数明显过度自信。
常见易错点
高 softmax 分数不保证输入属于训练分布，校准也不能修复缺失特征或错误标签。更换相机、类别比例或决策成本后，原来的阈值和校准结果需要重新检验。
自检
请尝试不用原文解释“分类指标、阈值与置信度校准”解决什么问题，再设计一个属于“视觉网络与分类”的实例，并说明适用条件和判断依据。