不要紧。这样做是因为它类似于疾病检测，大多数人没有这种疾病，但这就是你想要捕捉的。但是，无论哪种方式，所有数学运算都很好。如果你把健康课上$1$s，您的模型将输出健康的概率，而不是患病的概率。这两者的英文措辞可能带有不同的内涵，但数理逻辑是相同的。

@Dave 的回答是，所有分类算法在哪个类被称为正类和哪个被称为负类，或者哪个被分配给 0 和哪个被分配给 1 方面都是对称的。这可能在几乎所有情况下都是正确的，但也许是一个。这对于决策树和决策树的集合来说是正确的，因为类被视为分类变量，对于 KNN、朴素贝叶斯等也是如此。以数字形式威胁类的两个分类器算法家族，因此可能与值 0 和 1 相关是非对称的，它们是逻辑回归和 SVM，但可以验证公式是对称的，因此没有问题。

但是有一种情况我认为在二阶方面可能不是对称的。我不是 100% 肯定，如果有更多知识渊博的人参与讨论，我将不胜感激。考虑一个优化log loss的神经网络（例如 MLP）。

$y_i$是正确的输出，$p_i$是预测的概率。

通过将 y_i 从 0 交换为 1，该公式是对称的，反之亦然，但神经网络计算的优化不是（这是二阶方面）。输出与$y_i = 0$对 log loss 没有贡献，因此对梯度没有贡献，并且它不用于神经网络的梯度下降。因此，通过使用多数类 0 是不使用大部分数据来优化 MLP！最小值是相同的，但是 a）如果梯度下降将达到该最小值，b）如果它将收敛到该最小值，以及 c）MLP 将解决的解（假设它没有达到全局最小值）不一样对于多数类使用 0 还是 1。

我在这里吗？