负类是什么？二分类中与目标相对的那一类

负类（Negative Class），也叫反类、反例或阴性类，是二分类问题中与正类相对的那一类。在二分类中，通常把我们关心、需要检测出来的那一类指定为正类，比如“患病”“欺诈交易”“垃圾邮件”，而另一类，比如“健康”“正常交易”“正常邮件”，就是负类。在数据中，负类通常用 0 或负 1 来表示。

“负”不代表“坏”

与正类中的“正”不代表“好”一样，负类中的“负”也并不表示坏的、消极的意思，而只是表示“不是我们要找的那一类”，相当于对“是不是”这个问题回答“不是”。实际上，负类往往代表的是正常的、良好的情况：在疾病诊断中，负类是“健康”，检测结果为“阴性”通常是好消息；在质量检测中，负类是“合格品”。在很多实际问题中，负类的样本数量远远多于正类：绝大多数人是健康的，绝大多数交易是正常的，绝大多数产品是合格的。

负类在混淆矩阵中

对于负类的样本，模型的判断有两种结果：被正确地判断为负类，叫作真反例，也叫真阴性；被错误地判断为正类，叫作假正例，也叫假阳性，也就是误报。比如一个健康的人被误诊为患病，一封正常的邮件被误判为垃圾邮件，一笔正常的交易被误判为欺诈而被拦截。

与负类相关的指标

特异度，也叫真反例率：所有实际为负类的样本中，被正确判断为负类的比例，等于真反例除以真反例与假正例之和。它衡量的是模型“不冤枉好人”的能力。在医学中，特异度与灵敏度是评价一种诊断方法的两个最基本的指标。假正例率：所有实际为负类的样本中，被错误判断为正类的比例，等于 1 减去特异度。它是 ROC 曲线的横轴。阴性预测值：所有被判断为负类的样本中，真正属于负类的比例。它告诉一个检测结果为阴性的人，他有多大的把握确实没有问题。

负类数量多带来的问题

由于负类的样本往往占绝大多数，在评价模型时需要特别注意。准确率可能产生误导：如果负类占 99%，一个把所有样本都判为负类的模型，准确率就有 99%，但它一个正类也没有找出来，毫无用处。误报的绝对数量可能很大：即使假正例率只有 1%，如果有一百万个负类样本，也会产生一万次误报，可能让处理这些警报的人员不堪重负。因此，在设计系统时，不仅要看比例，还要关注误报的绝对数量和处理成本。为了应对负类数量过多的问题，可以采用对负类进行欠采样、给正类更大的权重、调整判定阈值等方法。

其他语境中的“负样本”

在对比学习和度量学习中，“负样本”指的是与锚点样本不相似、应该在表示空间中被推远的样本，比如与一张猫的图片相比，一张汽车的图片就是负样本。在训练词向量的负采样方法中，负样本是随机抽取的、与当前词无关的词。在推荐系统中，用户没有点击或没有购买的物品常被当作负样本，但需要注意，用户没有点击某个物品，不一定是因为不喜欢，也可能只是没有看到，因此如何选择合适的负样本，是推荐和检索模型训练中的一个重要问题。在这些场景中，选择“难”的负样本，也就是那些与正样本比较相似、容易被混淆的负样本，往往能让模型学得更好。