machine-learning - 如果没有正/负含义，如何计算召回率和精度？

Question

当类中没有正负含义，但它们仅代表中性事物时，如何计算这些指标？

举例来说，我们有一个分类问题，您有两个代表一个人(John、Alex)的类，并且您希望将新实例分类到其中一个类中。目标是找出新人是否像约翰或亚历克斯。那么如何计算召回率和精确率呢？

Answer 1

通常在这种情况下，不存在精度这样的东西，您可以(人们通常做的)是报告两个精度，在您的情况下:

• 识别约翰的精确度
• 识别 Alex 的精确度

换句话说，您只需将每个类别分别视为正类别并报告多个精度。有些指标没有这个问题(例如准确性)，因为它们是对称的。对于不对称的(例如精度或 F1)，您必须执行以下三件事之一:

• 确定哪个类是正类
• 报告多个值，每个值都有不同的类别，定义为“正值”
• 汇总上述结果 - 例如通过报告类别的平均精度、中值精度等。

最后一点 - 不存在所谓的“通用方法”，因为每种方法都会回答不同的问题。一旦您可以严格定义您的模型试图回答的问题是什么，您就可以选择最佳指标。

例如，如果您的问题是“我希望最大限度地提高从未见过的对象 x 的正确分类概率，该对象是从与我的训练集相同的数据源中采样的”，则答案由准确度，不是精确率或召回率。