校准是预测文献中的一个重要概念，用于解释如何解读预测概率。随着机器学习中概率预测的普及，校准研究逐渐受到关注。本文探讨了校准误差的定义和测量方法，以及这些测量对决策者的意义。校准反映了预测者假设的世界与现实世界之间的可区分性。
本研究提出了一种基于随机抽样的简单算法，针对逻辑回归的二分类任务，确保高质量的预测概率近似。通过杠杆得分抽样，样本规模可显著小于总数据量，仍能实现准确近似，为大规模数据集提供高效解决方案。
生存分析为不完整事件时间数据提供了重要见解。我们提出了一种通用方法，结合预测概率特性和评分规则，通过神经网络实现高效优化，展现出优越的预测性能。
本文讨论了AUC的三个问题：ROC对不均衡样本的鲁棒性、选择PR或ROC的时机、AUC值为何大于0.5。ROC关注正负样本，PR专注于正样本，选择时需根据具体任务。AUC小于0.5时可通过反转预测概率使其大于0.5。
完成下面两步后，将自动完成登录并继续当前操作。
