数据集将实例分为正类

Positive（正类）是机器学习监督学习范式中的核心概念，特指训练数据集中被人工标注或算法推断为属于特定目标类别的样本实例。其本质是将现实世界中的二元或多分类问题转化为数学上的标签映射问题，通过赋予这些实例'1'或特定标识符，与代表非目标类别的Negative（负类）实例形成对比。这一概念是监督学习算法（如逻辑回归、SVM、神经网络）进行梯度下降优化、计算损失函数及收敛模型的基础，没有明确的Positive样本定义，模型将无法学习到从输入特征到目标输出的映射关系。

在现代计算架构与AI工程实践中，Positive样本构成了模型学习的‘真理’基准。其核心价值在于定义了模型的‘关注点’，即算法需要识别和预测的模式。在数据工程层面，Positive样本的质量直接决定了模型的上限，包括样本的多样性、平衡性以及标注的准确性。在系统架构层面，Positive样本的存储、检索与动态更新机制是构建高效机器学习流水线（ML Pipeline）的关键环节。随着深度学习在计算机视觉、自然语言处理等领域的爆发，Positive样本的自动化挖掘（如弱监督学习、自监督学习）已成为解决标注成本高昂问题的前沿技术方向，深刻影响着从数据采集到模型部署的全生命周期。