machine-learning - Recall 在 2 类分类任务中有意义吗？

Question

我知道召回 = TP/ (TP+FN)

假设我考虑一个分类器不同上下文的召回值。在一种情况下，我将 classA 作为我的正类，将 classB 作为我的负类。在另一种情况下，我将 A 类作为我的负类，B 类作为我的正类。

让 R1 和 R2 值是这些上下文中的召回值

R1=TP1/(TP1+FN1)
R2=TP2/(TP2+FN2)
But TP2=FN1 and FN2=TP1
So R2=FN1/(TP1+FN1)
So R1+R2=1

这个论点有什么问题？[我觉得有问题，因为我看到分类器正在使用召回进行评估]。

等效地，如果我被要求计算分类器的召回率，是 R1 还是 R2？你如何决定

score 0 · Accepted Answer

要获得有意义的结果，您需要同时评估准确率和召回率。孤立地评估任何一个都很有可能对函数的评估很差。

召回只是能够说一个项目在一个类中，如果它实际上是。如果您只看召回率（不看精度），那么获得满分是微不足道的：

bool ismember(item, class) { 
    return true;
}

保证每次都能提供 100% 的完美召回。问题是它的精度显然很糟糕（实际上，它的精度是 0——它不能拒绝不是组成员的项目，因为它从不拒绝任何东西。

相反，如果我们从召回率中分离出精确度，每次都获得完美的结果同样微不足道：

bool ismember(item, class) { 
    return false;
}

精确度是拒绝非成员并断定他们不是班级成员的能力。由于这表明没有任何人是该类的成员，因此其精确度得分始终是 100% 完美的。当然，它有相反的问题：这次召回为 0。

总结：我们需要同时查看召回率和精度才能获得有意义的结果。

1 回答 1