闲谈：     刚开始学习SIEM、态势感知这类产品的时，翻阅老外们的文章总是谈什么真阳性，假阳性告警、告警疲劳，当时在国内资料中没找到很合理的解释，慢慢就淡忘这件事了。随着慢慢深入工作，感觉大概理解了这些概念并且有了一些新的领悟。心血来潮写了这篇文章，想给刚接触SIEM

1.经典统计经典统计使用频率学派的方法，依赖于样本数据的频率分布进行推断。在经典统计中，参数被认为是固定但未知的，而推断过程主要是基于样本数据的统计性质进行。常见的经典统计方法包括置信区间、假设检验等。思想：从样本中直接观察频率，然后通过该频率来估计总体的参数。

准确率（accuracy）是指模型正确预测的样本数与总样本数之比。它衡量了模型对所有样本的分类准确程度。准确率计算公式如下：准确率=(真阳性+真阴性)/(真阳性+假阳性+真阴性+假阴性)精确度（precision）是指模型在预测为正例的样本中，真正例的比例。它衡量了模型在预测为正例的

F1score与平均精度mAP可以衡量分类模型的性能。首先先看精确率与召回率的概念。精确率与召回率对于某方概率极低的逻辑回归（例如某种罕见病症的确诊），单纯的准度（是否能正确判断病人是否得病）并不足够。毕竟，若算法只会给出negative的判断也能拥有高准度。真阳性（TP），假阳性（FP），真

两类错误率灵敏度=真阳性（决策正确的阳性）/状态阳性（真阳性+假阴性）Sn=TP/TP+FN特异度=真阴性（决策正确的阴性）/状态阴性（真阴性+假阳性）Sp=TN/TN+FP第一类错误率（假阳

目录1.复习条件概率2.正式进入3.生成式与判别式这个阶段的内容，采用概率论的思想，从样本里面学到知识（训练模型），并对新来的样本进行预测。主要算法：贝叶斯分类算法、隐含马尔可夫模型、最大熵模型、条件随机场。通过本阶段学习，掌握NLP自然语言处理的一些基本算法，本阶段的理解对

NIPT作为二代测序发展中产前诊断应用领域的典范，在目前产前诊断领域的普及十分广泛，除了针对常见非整倍体（13、18、21）的高准确率的筛查，在染色体微缺失、微重复，单基因的检测领域也在逐步开展研究和投入临床实践。NIPT利用的胎儿DNA来源于母体血浆，所谓“胎儿来源DNA”也只是胎盘的滋养

假阳性（falsepositive）指的是在实验或测试中，被错误地判断为“有某种物质”、“某种情况存在”等，而事实上并不存在该物质或情况的情况。例如，在进行病毒检测时，病毒检测呈现了阳性结果，但事实上患者并未感染病毒。假阴性（falsenegative）指的是在实验或测试中，被错误地判断为“没有某种物

类别不平衡是一个常见问题，其中数据集中示例的分布是倾斜的或有偏差的。1.简介类别不平衡是机器学习中的一个常见问题，尤其是在二元分类领域。当训练数据集的类分布不均时

国家卫健委：一般人群不要随意做新冠抗原检测敏感性sensitivity=真阳性tp/(真阳性+假阴性fg);truepositive,falsenegative. 当敏感性=0.85时，0.15tp=0.85fn特

贝叶斯公式如何应用？以医学领域为例。医学检测通常以检测结果是阳性或阴性来初步断定受试者是否患病。在现实世界中，测试很少是完全可靠的，会出现假阳性和假阴性的问题。假设一

文章题目Falsesignalsinducedbysingle-cellimputation中文名：单细胞插补引起的假信号文章地址：https://f1000research.com/articles/7-1740/v2评价插补方法：SAVER