class 是肯定的，以及如何在为 ML 准备数据时确定真正的警报
which class is positive and how to determine real alarm in preparing data for ML
我正在为机器学习准备一些数据。
这道题会很简单，但我有点困惑。
假设有系统每 1 小时有大约 100 个警报，并且只有 1 或 2 个警报是它们的真正警报。假警报将被人类忽略。我收集了一些看起来像特征的数据，并将标签 0 或 1 标记为假警报或真警报。
这样的话，真正的报警是0还是1？借此，TP、TN、FP、FN、机会水平将发生变化。我们感兴趣的是真正的警报，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 major class 和 positive class 会是 1 和 fake alarm？但我们的兴趣不是假警报。
在这种情况下我应该如何设置标签？
这两种方式对模型的性能都一样好，因为损失函数不受你标记 1 或 0 的方式的影响。我个人认为 0 应该用于伪造的，1 用于真实的。
我正在为机器学习准备一些数据。 这道题会很简单，但我有点困惑。
假设有系统每 1 小时有大约 100 个警报，并且只有 1 或 2 个警报是它们的真正警报。假警报将被人类忽略。我收集了一些看起来像特征的数据，并将标签 0 或 1 标记为假警报或真警报。
这样的话，真正的报警是0还是1？借此，TP、TN、FP、FN、机会水平将发生变化。我们感兴趣的是真正的警报，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 major class 和 positive class 会是 1 和 fake alarm？但我们的兴趣不是假警报。 在这种情况下我应该如何设置标签？
这两种方式对模型的性能都一样好，因为损失函数不受你标记 1 或 0 的方式的影响。我个人认为 0 应该用于伪造的，1 用于真实的。