Learning Focus
学习目标
把每节内容压缩成可以直接执行的工程判断，阅读时优先看目标，再看代码。
Focus 01
准确率适合类别均衡的任务，类别不均衡时可能误导判断。
Focus 02
召回率关注真正例被找回的比例，精确率关注预测为正的样本有多少是真的。
Focus 03
混淆矩阵能直观看出模型容易混淆哪些类别。
理解方式
先把概念放进完整系统中理解，再用最小代码或配置确认它如何工作。
- 它解决什么问题。
- 它依赖什么组件。
- 它失败时怎么处理。
示例
代码示例突出最小可理解片段，用来连接概念和工程实践。
import torch
logits = torch.tensor([[2.1, 0.3], [0.4, 1.8]])
labels = torch.tensor([0, 1])
pred = logits.argmax(dim=1)
accuracy = (pred == labels).float().mean()
print(accuracy.item())常见误区
- 只记配置项，不理解它在调用链路中的位置。
- 把示例代码直接搬进生产环境，没有补充超时、校验、日志和回退策略。
- 学习神经网络时只看框架 API，不检查输入输出形状和数据分布。
练习
在垃圾邮件识别中，误报和漏报哪个更严重？说明你的理由。