样本指纹与模型库中的模板匹配(The sample fingerprint matches the template in the model repository)

-零假设和替代假设（来源：PrepNuggets）
原假设和替代假设(Null and Alternative Hypotheses)
零假设是假设与正常状态为零或没有偏差。由於证明假设很困难，我们通常会找到反对原假设的证据并接受替代假设，而不是直接证明替代假设为真。因此，原假设和备择假设可以写成如下：
. 替代假设：样本指纹与模型库中的模板不匹配
. 零假设：样本指纹与模型库中的模板匹配

错误接受率 (FAR) 和错误拒绝率 (FRR) 等与生物识别相关的术语是常用的，并且对於通信非常有效。人们或书籍将 FAR/FRR 与型一和 型二错误（用於统计假设）或假阳性/阴性（用於二元分类）相关联的情况并不少见。我写这个问题是为了强调当我们谈论 I/II 类错误时零假设的重要性。

型一和 型二错误（Type I and Type II Errors）
在统计学中，我们通常不会只提出一个需要足够证据来证明的假设。相反，我们接受备择假设，因为我们拒绝了基於具有预定义显着性水平（例如，5%）的反对原假设的证据。
统计假设检验的决定是是否拒绝零假设。但是，有些决定可能是错误的，可分为以下几类：
. 第一类错误：我们拒绝原假设，这是真的。（拒绝正常情况）
. 第二类错误：我们未能拒绝原假设，这是错误的。（接受异常情况）

假阳性和假阴性（False Positive and False Negative）
当谈到机器学习中的二元分类时，模型被训练为基於一小部分样本数据的二元分类器，通过标签对实例/案例进行分类（例如，0/1、垃圾邮件/非垃圾邮件、武器/无武器） .
在实现基於异常检测的系统中，它可以使用 Imposter/No Imposter 进行分类，如下所示：
. “冒名顶替者"是正面类的标签。
. "无冒名顶替者"是负类的标签。

误报意味着识别/检测到冒名顶替者，但决定是错误的。假阴性意味着没有识别/检测到冒名顶替者，而且该决定是错误的。人们通常会将假阳性与 I 类错误联系起来，将假阴性与 II 类错误联系起来，即使它们在使用不同技术的上下文中使用。Li 的论文很好地将统计假设检验与机器学习二元分类进行了比较。

-假设检验和二元分类（来源：ScienceDirect）

参考
. 统计假设检验与机器学习二元分类：区别和指南
. 统计学中的假设检验简介 – 假设检验统计问题和示例
. 假设检验简介
. 机器学习中的 4 种分类任务
. 分类：真与假和正与负

资料来源： Wentz Wu QOTD-20210727
My Blog: https://choson.lifenet.com.tw/