敏感度太低，在插入符号训练中AUC非常高，交叉验证重采样结果

敏感度太低是指在二分类问题中，模型对正样本的识别能力较弱，即较多的正样本被错误地预测为负样本。插入符号训练是一种用于增强模型对少数类样本的学习能力的方法，通过在少数类样本中插入符号来生成新的样本，从而平衡正负样本的比例，提高模型对少数类的识别能力。AUC（Area Under the Curve）是一种常用的评价指标，用于衡量二分类模型的性能，其取值范围在0.5到1之间，值越接近1表示模型性能越好。

交叉验证重采样是一种常用的模型评估方法，它将数据集划分为训练集和测试集，并重复多次进行模型训练和评估。在每次训练中，将训练集进一步划分为训练子集和验证子集，用于模型的训练和调参。通过交叉验证重采样，可以更准确地评估模型的性能，并避免过拟合或欠拟合的问题。

针对敏感度太低的问题，可以采取以下方法来改善模型性能：

1. 数据增强：通过插入符号训练等技术，增加少数类样本的数量，平衡正负样本比例，提高模型对少数类的学习能力。
2. 特征工程：对原始数据进行特征提取、选择和转换，提取更有区分度的特征，以增强模型的分类能力。
3. 模型选择和调参：尝试不同的机器学习算法和模型架构，调整模型的超参数，选择最优的模型和参数组合。
4. 集成学习：通过集成多个模型的预测结果，如投票、平均等方式，提高模型的泛化能力和稳定性。
5. 优化算法：选择合适的优化算法，如随机梯度下降（SGD）、Adam等，加速模型的收敛速度和性能。
6. 调整决策阈值：根据实际需求和业务场景，调整分类模型的决策阈值，平衡准确率和召回率。

在云计算领域，敏感度太低的问题可能会涉及到数据安全和隐私保护等方面。腾讯云提供了一系列的云安全产品和解决方案，如腾讯云安全组、腾讯云堡垒机等，用于保护云上应用和数据的安全。具体产品和介绍可以参考腾讯云的官方网站：https://cloud.tencent.com/product/security

同时，腾讯云还提供了丰富的人工智能和大数据相关的产品和服务，如腾讯云机器学习平台、腾讯云数据湖等，用于支持敏感度太低问题中的数据处理和模型训练等任务。具体产品和介绍可以参考腾讯云的官方网站：https://cloud.tencent.com/product/ai