1. 从一个真实翻车现场说起：为什么正负样本的定义值得单独拎出来讲
刚带团队那会儿，我遇到过一次挺典型的翻车。一个做内容审核模型的小组，离线评估报告上准确率 96%，F1 也漂亮得不行，结果灰度上线第一天，线上误杀率直接飙到 8%，业务方电话打到我这里。排查了两天，代码没问题、特征没问题、模型结构也没问题，最后发现问题出在一个特别基础的地方——他们把“负样本”的采样逻辑写反了，把大量本该是正样本的优质内容当成了负样本喂进去，模型学到的决策边界完全是歪的。
这件事之后我养成了一个习惯：任何跟分类、检索、排序、推荐相关的项目，评审第一件事就是问一句“你的正样本和负样本到底是怎么定义的，怎么采的”。因为正样本（Positive Sample）和负样本（Negative Sample）这两个词，看起来是机器学习里最基础的概念，但恰恰是最容易在工程落地时被想当然、被糊弄过去的地方。定义偏一点，采样偏一点，后面所有的调参、加特征、换模型都是在错误的地基上盖楼。
这篇内容我想把这两个概念彻底讲透。不是教科书那种“正样本就是标签为 1 的样本”一句话带过，而是从定义、来源、采样策略、常见陷阱、不同任务下的差异，一直到实际项目里怎么落地检查，全部摊开讲。适合刚入门机器学习、正在做第一个分类或检索项目的同学，也适合已经工作几年、但一直没系统梳理过样本体系的老手——我见过太多工作三五年的人，对这两个词的理解还停留在“正就是好的，负就是坏的”这种模糊层面。
先把最核心的一句话放在这里：正样本和负样本不是数据的固有属性，而是相对于你当前要解决的那个任务目标而言的。同一张图片，在“识别猫”的任务里是正样本，在“识别狗”的任务里就是负样本。这个相对性，是后面所有坑的根源。
2. 正负样本的本质：它们到底在定义什么
2.1 从二分类说起：标签只是表象，决策边界才是目的
大多数人第一次接触这两个词，都是在二分类任务里。比如垃圾邮件识别，垃圾邮件是正样本，正常邮件是负样本；比如疾病诊断，患病是正样本，健康是负样本。这时候很容易形成一个直觉：正样本就是“我们想要找出来的那一类”，负样本就是“其他的”。
这个直觉在二分类里基本够用，但它掩盖了一个更重要的事实：模型真正在学的不是“什么是正样本”，而是“正样本和负样本之间的决策边界在哪里”。换句话说，负样本的作用不是“凑数”，而是和正样本一起，把那条边界“夹”出来。
我举个具体的例子你就明白了。假设你要做一个“识别图片中是否包含某个特定商品”的模型。如果你只给模型看这个商品的图片（正样本），模型会学到什么？它会学到“这个商品长什么样”，但它完全不知道“什么不是这个商品”。上线之后，任何一张没见过的图片，模型都可能给出高分，因为它没见过“反例”。这就是为什么负样本的质量，往往比正样本的数量更决定模型的上限。
提示：很多人调模型时习惯性先加正样本，觉得正样本越多模型越准。实际上在大多数场景下，负样本的多样性和难度才是决定决策边界质量的关键。
2.2 相对性：同一个样本在不同任务里的身份切换
前面提到的那句“正负是相对的”，值得单独展开。我拿推荐系统里的一个真实场景来说明。
假设你在做一个“用户是否会点击某商品”的点击率预估模型。对某个用户 U 和商品 A 的组合：
- 如果 U 最终点击了 A，这个 (U, A) 对就是正样本；
- 如果 U 曝光了 A 但没点击，这个 (U, A) 对就是负样本。
但如果你换一个任务，做的是“用户是否会购买某商品”，那么“点击了但没买”的这个样本，在新任务里就变成了负样本，而“点击且购买”才是正样本。同一批行为数据，任务目标一变，正负的划分就完全变了。
再比如目标检测里的 IoU 阈值。一个预测框和真实框的 IoU 是 0.6，在阈值设为 0.5 的任务里它是正样本，在阈值设为 0.7 的任务里它就变成了负样本。阈值本身就是人为设定的，所以正负的边界也是人为设定的。这一点如果不清楚，你在看论文或者复现别人代码时，会经常被“为什么他的正样本定义和我不一样”搞晕。
2.3 多分类与多标签下的“正负”变形
二分类之外，正负样本的概念会发生变形，但内核不变。
多分类任务里，通常用 one-hot 或者 softmax 来处理，严格来说每个类别都有自己的“正负”。比如三分类（猫、狗、鸟），对“猫”这个类别而言，猫是正，狗和鸟都是负。训练时 softmax 会同时考虑所有类别，但如果你用“一对多”（One-vs-Rest）的策略，那就是拆成三个二分类问题，每个问题都有自己的正负样本集。
多标签任务更典型。一张图片可以同时有“猫”和“沙发”两个标签。对“猫”这个标签，这张图是正样本；对“狗”这个标签，这张图是负样本。同一个样本在不同标签维度上同时扮演正负两种角色，这是多标签任务里最容易被忽略的地方。我见过有人做多标签时，把“包含任意一个标签”的样本统一当正样本，结果模型完全学不出区分度。
2.4 检索与排序任务：正负样本的“配对”本质
到了检索、召回、排序这类任务，正负样本的概念从“单个样本的标签”变成了“样本对的关系”。
以向量召回为例，你有一个查询（Query），要从海量文档里找出相关的。这时候：
- 正样本是 (Query, 相关文档) 这样的配对；
- 负样本是 (Query, 不相关文档) 这样的配对。
模型学的是“让 Query 和正样本文档在向量空间里靠近，和负样本文档远离”。这里的关键在于，负样本不是随便找一篇不相关文档就行。随机负样本太容易区分，模型学不到东西；真正有价值的是“难负样本”（Hard Negative），也就是那些看起来相关、但实际不相关的文档。这个后面会专门讲。
3. 负样本的采集策略：决定模型上限的隐形战场
3.1 随机负采样：简单，但别指望它撑起效果
随机负采样是最朴素的做法：从全体候选里随机抽一批当负样本。它的优点是实现简单、成本低，缺点是绝大多数随机负样本都是“简单负样本”，模型闭着眼睛都能分对。
我做过一个实验，在一个商品召回任务里，用纯随机负采样训练出来的模型，离线 AUC 能到 0.92，看起来不错。但上线后 Top-10 召回的相关性很差。原因就是模型只学会了区分“明显相关”和“明显不相关”，对于“有点相关”和“相关”之间的细微差别完全没有分辨力。后来换成混合采样，AUC 掉到 0.88，但线上效果反而好了很多。离线指标和线上效果背离，很多时候就是负采样策略的问题。
随机负采样不是不能用，它适合作为负样本池的“基底”，但绝不能是全部。
3.2 难负样本挖掘：让模型在“边界地带”反复练习
难负样本（Hard Negative）指的是那些模型当前容易分错的负样本。挖掘思路通常是：先用一个基础模型跑一遍，把那些被打了高分、但实际是负样本的挑出来，加入训练集重新训练。
这个过程可以迭代多轮。我一般的做法是：
- 第一轮用随机负样本训练一个基础模型；
- 用这个模型对全量负样本打分，取分数最高的 Top-K 作为难负样本；
- 把难负样本和随机负样本按一定比例混合，训练第二轮模型；
- 重复 2-3 步，直到线上指标不再提升。
这里有个坑要提醒：难负样本不能挖得太狠。如果负样本全是模型当前分错的，训练集里就全是“边界样本”，模型会过度关注这些难例，反而丢失了对整体分布的把握。我通常会把难负样本的比例控制在 30%-50%，剩下的用随机负样本兜底。
注意：难负样本挖掘有个隐患叫“假阴性”。有些被模型打高分的“负样本”，其实是因为标注错误或者标注不全，它本身可能就是正样本。如果不做清洗直接拿来当难负样本，等于在教模型学错的东西。所以挖掘出来的难负样本，最好人工抽检一批。
3.3 负样本的“难度梯度”设计
比单纯挖难负样本更进一步的，是设计一个有难度梯度的负样本体系。我把它分成三档：
| 难度档位 | 来源 | 作用 | 建议占比 |
|---|---|---|---|
| 简单负样本 | 随机采样 | 稳定训练、防止模型跑偏 | 40%-50% |
| 中等负样本 | 同类别不同实例、相似但不相关 | 提升区分度 | 30%-40% |
| 难负样本 | 模型高分误判、边界样本 | 逼近决策边界 | 10%-20% |
这个比例不是固定的，要根据任务调整。检索类任务难负样本可以多一些，分类任务则要控制，否则容易过拟合到难例上。
3.4 负样本数量：正负比例到底怎么定
“正负样本比例多少合适”是我被问得最多的问题之一。网上流传的“1:1”“1:3”“1:10”各种说法都有，但没有一个通用答案。
我的经验是分场景：
- 数据均衡、任务简单：1:1 到 1:3 都行，看实际效果；
- 正样本稀少（如欺诈检测、疾病诊断）：负样本远多于正样本，这时候要么下采样负样本，要么用类别权重、Focal Loss 之类的损失函数来处理，而不是硬凑比例；
- 检索召回：负样本通常远多于正样本，1:4 到 1:10 都常见，关键看负样本质量。
有个反直觉的结论：负样本不是越多越好。当负样本数量超过某个点后，边际收益急剧下降，反而增加训练成本。我一般会先固定一个比例跑基线，然后在这个比例上下各调一档，看验证集指标的变化，找到那个“拐点”。
4. 正样本这边也不是省油的灯
4.1 正样本的标注质量：假阳性比假阴性更致命
大家讨论样本问题时，注意力往往在负样本上，但正样本的坑一点不少。最常见的就是假阳性——把本该是负样本的标成了正样本。
在内容审核场景里，假阳性意味着把正常内容标成了违规。这种错误对模型的伤害是双重的：一方面模型学到了错误的“违规特征”，另一方面这些特征会污染决策边界，导致线上误杀。我处理过一个案例，标注团队把一批“擦边但合规”的内容标成了违规正样本，结果模型上线后对正常内容的误杀率居高不下。假阳性正样本的危害，往往比假阴性更大，因为它直接教模型学错。
4.2 正样本的多样性：别让模型只认识“一种正”
正样本的多样性同样关键。如果你的正样本全是某一种风格、某一个来源、某一个时间段的数据，模型学到的“正”就是有偏的。
举个我亲历的例子。做一个“优质评论识别”的模型，训练集里的正样本全部来自某个垂类的长评论。模型上线后，对短评论、其他垂类的优质评论识别率极低。原因就是正样本的分布太窄，模型把“长”和“某垂类”当成了“优质”的特征。后来我们补充了各垂类、各长度的正样本，问题才解决。
正样本的采集要刻意追求覆盖度：不同来源、不同长度、不同风格、不同时间段的都要有。这一点在冷启动阶段尤其重要，因为冷启动时你对“正”的理解本身就不完整。
4.3 正样本数量不足时的几条出路
正样本稀少是很多真实场景的常态。除了前面说的用损失函数处理类别不平衡，还有几条路：
- 数据增强：图像任务里旋转、裁剪、加噪；文本任务里同义替换、回译。但要注意增强后的样本不能改变语义，否则就是制造噪声。
- 半监督与伪标签：用已有模型对未标注数据打标，把高置信度的加入训练集。这条路要小心确认偏差，模型错了会越错越离谱。
- 迁移学习：用相关任务上预训练的模型做初始化，减少对正样本数量的依赖。
- 主动学习：优先标注那些模型最不确定的样本，用最少的标注量换最大的信息增益。
这几条路我都在项目里用过，效果因场景而异。主动学习在正样本稀少时性价比最高，但需要一套能跑起来的标注-训练闭环。
5. 不同任务下正负样本的“变脸”实录
5.1 目标检测：IoU 阈值一改，正负全变
目标检测里的正负样本划分，核心是 IoU（交并比）阈值。一个锚框（Anchor）和真实框的 IoU 超过阈值就是正样本，低于另一个阈值就是负样本，中间的是“忽略样本”。
这里的关键参数是阈值怎么设。设高了，正样本太少，模型学不动；设低了，正样本质量差，定位不准。早期 Faster R-CNN 用 0.7/0.3，后来很多工作发现 0.5/0.4 效果更稳。这个阈值没有理论最优，只有针对你的数据集和任务调出来的经验值。
更麻烦的是小目标。小目标的 IoU 天然就低，用统一阈值会导致小目标几乎没有正样本。所以现在很多检测器会用“自适应阈值”或者“ATSS”这类方法，根据统计分布动态划分正负。如果你在做检测任务，发现小目标召回一直上不去，先别急着换 backbone，去看看正负样本的划分策略。
5.2 推荐系统：曝光未点击就是负样本吗
推荐系统里有个经典争议：曝光未点击（Exposure but No Click）到底算不算负样本。
严格来说，曝光未点击包含了多种情况：用户没看到、看到了不感兴趣、看到了但当时没空点。把它统一当负样本，会引入噪声。但如果不当负样本，又很难找到其他可靠的负样本来源。
业界的常见做法是分场景处理：
- 对“用户确实看到了但没点”的，当负样本；
- 对“曝光位置靠后、大概率没看到”的，降权或者当忽略样本；
- 用“随机负采样”补充一部分确定性的负样本。
这个问题的本质是负样本的“确定性”。越确定的负样本，训练价值越高。曝光未点击的确定性中等，所以要么降权，要么配合其他负样本一起用。
5.3 对比学习：正负样本是“构造”出来的
对比学习（Contrastive Learning）把正负样本的概念推到了一个新高度——样本本身没有标签，正负是构造出来的。
以 SimCLR 为例，同一张图片做两次不同的数据增强，得到两个视图，这两个视图互为正样本；同一批次里其他图片的视图，都是负样本。模型的目标是让正样本对在向量空间里靠近，负样本对远离。
这种范式下，负样本的数量和质量直接决定了学习效果。批次越大，负样本越多，效果通常越好——这也是为什么 SimCLR 需要超大 batch size。后来 MoCo 用动量队列把负样本池和 batch size 解耦，才让对比学习在普通硬件上也能跑。
对比学习里最值得关注的是“假负样本”问题：同一批次里，可能有两张图片本来就是同一类，但被当成了负样本。这会误导模型。所以现在很多工作在做“去偏”或者“软标签”，本质上都是在处理正负样本定义的模糊地带。
5.4 大模型时代：RLHF 里的正负样本
到了大模型对齐阶段，正负样本又以新的形式出现。RLHF（基于人类反馈的强化学习）里，奖励模型训练用的就是“偏好对”：同一个 prompt 下，人类更喜欢的回答是正样本，更不喜欢的回答是负样本。
这里的正负样本不是“对错”，而是“相对好坏”。模型学的是排序关系，而不是绝对标签。这也意味着正负样本的质量取决于标注者的一致性。如果不同标注者对“哪个回答更好”的判断差异很大，奖励模型就会学得摇摆不定。所以 RLHF 里通常要做标注者一致性校验，把分歧大的样本剔除或重新标注。
6. 实操中怎么检查你的正负样本有没有问题
6.1 一套可复用的样本体检清单
每次项目上线前，我都会跑一遍下面这套检查。你可以直接拿去用：
- 定义检查：正负样本的定义是否和任务目标严格对齐？有没有把“中间态”样本硬塞进某一类？
- 分布检查：正负样本在关键特征上的分布是否有异常差异？比如正样本全是某个时间段的数据。
- 标注一致性检查：随机抽 100-200 个样本，让不同人重新标一遍，看一致率。低于 90% 就要警惕。
- 难易度检查：用当前模型对负样本打分，看分数分布。如果绝大多数负样本分数都很低，说明负样本太简单。
- 泄漏检查：训练集和验证集之间有没有样本泄漏？尤其是同一用户、同一商品的不同行为，很容易跨集泄漏。
- 比例检查：正负比例是否在合理范围？极端不平衡时是否用了合适的损失函数？
这套清单看起来基础，但每一条我都见过有人栽跟头。尤其是第 5 条样本泄漏，隐蔽性极强，往往要等到线上效果和离线对不上才被发现。
6.2 用混淆矩阵反推样本问题
混淆矩阵不只是看模型效果的工具，也是诊断样本问题的利器。
- 假阳性高：可能是负样本不够难，或者正样本里混入了假阳性；
- 假阴性高：可能是正样本多样性不足，或者负样本里混入了假阴性；
- 某一类特别差：去看这一类样本的数量和分布，大概率是样本不均衡或者标注质量问题。
我习惯把混淆矩阵和样本分布图放在一起看。有一次发现某个类别的召回特别低，一查发现这个类别的正样本只有几十条，而且全是早期数据。补充样本后，指标立刻上来了。
6.3 线上效果和离线对不上时的排查顺序
这是最让人头疼的情况。我的排查顺序是：
- 先查样本泄漏：训练集和验证集有没有重叠？特征里有没有包含未来信息？
- 再查样本分布偏移：训练时的样本分布和线上真实分布差异有多大？
- 然后查负采样策略：离线用的负样本和线上实际面对的负样本是不是一回事？
- 最后查评估指标：离线指标和线上业务指标的相关性如何？有时候是指标本身选错了。
这个顺序是从“最可能出问题”到“最不可能出问题”排的。实际经验里，前两步能解决 80% 的离线线上不一致问题。
7. 几个我踩过或见别人踩过的坑
7.1 把“未标注”当成“负样本”
这是新手最容易犯的错。手里有一批数据，只标了正样本，剩下的没标，就直接当负样本用。问题是，未标注不等于负样本，它可能是“还没标到的正样本”。
我见过一个团队做实体识别，只标了一部分实体，剩下的全当负样本。结果模型学到的“非实体”特征里，混进了大量真实体，上线后召回惨不忍睹。正确做法是：要么把未标注样本单独处理（比如用 PU learning），要么先抽样标注确认未标注里正样本的比例。
7.2 负样本采样引入的“位置偏差”
推荐和搜索场景里，负样本往往来自曝光日志。但曝光本身是有位置偏差的——排在前面的更容易被点击，排在后面的即使相关也可能没被点。如果直接用曝光未点击当负样本，模型会学到“排在后面 = 不相关”，而不是真正的相关性。
处理办法通常是做位置纠偏，或者在采样时对位置做加权。这个问题在排序模型里特别普遍，做推荐的同学一定要留意。
7.3 正负样本的时间穿越
时序数据里，用未来信息构造的样本去训练预测过去的模型，就是时间穿越。比如用用户今天的购买行为当正样本，去预测用户昨天的点击，这在逻辑上就不成立。
任何涉及时序的任务，样本构造必须严格按时间切分。训练集用过去的数据，验证集用之后的数据，测试集用更之后的数据。我见过有人随机切分时序数据，离线指标虚高得离谱，上线直接崩盘。
7.4 难负样本挖太狠导致过拟合
前面提过，这里再强调一次。难负样本挖掘是个双刃剑。挖得太少，模型学不到边界；挖得太多，模型过拟合到难例，对普通样本的判断反而变差。
我的经验是：难负样本的比例不要超过负样本总量的一半，而且要定期重新挖掘。因为随着模型迭代，原来的难负样本会变简单，需要挖新的。如果一直用同一批难负样本，模型会在这批样本上过拟合。
8. 写在最后：一点个人体会
正样本和负样本这两个词，简单到几乎每个入门教程都会提，但真正把它们用好，需要的不是背定义，而是对任务目标的深刻理解和对数据分布的持续观察。
我自己这些年最大的体会是：模型效果上不去的时候，先别急着换模型、调超参，回去看看你的正负样本。十次里有七八次，问题就出在样本上——要么定义偏了，要么采样偏了，要么标注质量不行。把样本理顺了，很多所谓的“模型问题”会自己消失。
另外分享一个小习惯：我会给每个项目维护一份“样本定义文档”，写清楚正样本是什么、负样本是什么、怎么采的、比例多少、有哪些已知问题。这份文档在团队交接、问题排查、复现实验时特别有用。看起来是额外工作，实际上省下的时间远超投入。
如果你正在做分类、检索、排序、推荐相关的项目，不妨现在就打开你的训练数据，按第 6 节那份清单过一遍。大概率你会发现至少一两个之前没注意到的问题。发现了就是赚到，改了就有效果。
