两个指标的含义
误报率衡量的是「把正常情况误判为异常」的比例，漏报率衡量的是「把异常情况遗漏」的比例。理想的模型希望两者都尽可能低，但实际训练中两者往往存在此消彼长的关系。
误报率过高，意味着大量正常活动被打扰，用户信任度下降；漏报率过高，意味着真正的异常未被发现，识别失去意义。模型调优的过程，就是在两者之间寻找平衡点。
如何权衡
权衡的方向取决于应用场景。偏向严格识别时，模型会降低漏报率，但误报率相应上升；偏向减少打扰时，误报率下降，漏报率则可能抬升。训练过程通过调节判定阈值来移动这个平衡点。
观察模型迭代记录可以发现，优秀模型的优化路径通常是：训练早期两者都偏高，随特征完善同步下降，进入收敛阶段后稳定在低位区间。
收敛后的指标水平
在链上风险识别模型的演示口径中，五个版本迭代后误报率降至 0.8%、漏报率降至 0.3%，识别准确率达到 99.2%。这些数值展示的是模型经过充分训练后的效果水平。
需要说明的是，任何模型的指标都有适用边界。不同数据分布、不同业务场景下，指标的绝对数值会不同，重要的是理解指标变化的趋势与原因。
理性看待模型指标
模型指标是评估工具而非宣传数字。学习 AI 安全技术时，关注误报率与漏报率的关系、训练曲线的收敛过程，比关注单一数值更有价值。
数字资产安全技术的学习应当建立在公开技术资料与理性分析的基础上，理解原理比记住数字更重要。
在实际应用中，指标的观察还需要结合时间维度。模型上线后，数据分布会随时间变化，误报率与漏报率也可能随之漂移。定期复测模型指标，及时发现漂移并重新训练，是模型长期保持效果的关键动作。这也是模型版本持续迭代更新的原因。
对于学习 AI 安全技术的人来说，理解误报率与漏报率的权衡关系，是建立模型评估思维的重要一步。看到一组指标数据时，先问两个问题：误报与漏报分别处于什么水平？这个平衡点是否符合应用场景的需求？带着这些问题看数据，就能避免被单一数字误导。
模型评估还涉及一个容易被忽略的细节：指标是在什么数据上测得的。训练数据上的指标通常好于未见过的数据，观察模型泛化表现时，应以独立验证集的结果为准。理解这一点，才能对模型效果形成客观预期。