类别不平衡
当正类很少时，模型只要一直猜负类也能得到很高准确率，但真正关心的正类会被漏掉。
数据的陷阱
同一个模型，喂给它不同质量的数据，会得到完全不同的决策。这里把干净数据和污染数据并排训练，直接看指标怎样被误导。
左侧：干净训练集。右侧：经过不平衡、噪声、缺失处理后的训练集。评估统一使用干净测试集。
负类
正类
被翻转标注
背景色 = 模型预测概率
标注噪声
少量错误标注模型还能抵抗；噪声过高时，模型会把错误规律也当成知识记住。
分布缺口
某个区域缺少训练数据时，模型在那里的预测是外推，不应被当成可靠结论。
1准确率什么时候会骗人？
把类别不平衡调到 1:15。若 Accuracy 仍然好看，但 Recall 明显降低，说明模型把少数类“漏掉了”。
2噪声会怎样污染边界？
把标注噪声逐步升到 25% 以上，观察黑色噪声点附近的决策背景是否开始摇摆。
3没有数据的区域能相信吗？
切换删除区域，看模型在缺口附近的预测。颜色越坚定，不代表证据越充分。