Чому б не згадати, враховувати справжні негативи?

Чому б не згадати, враховувати справжні негативи? В експериментах, де справжні негативи так само важливі, як і справжні позитиви, чи є їх порівнянна метрика, яка враховує це?

precision-recall

— Раффі Хатчадуріан
джерело

Я думаю, що Ви шукали True Negative Rate (також називається специфікою в інших налаштуваннях), але дивіться en.wikipedia.org/wiki/Precision_and_recall .

— chl

Нагадаємо (у поєднанні з точністю), як правило, використовується в тих областях, де в першу чергу зацікавлений у пошуку позитивів. Прикладом такої області є, наприклад, Маркетинг продуктивності або (як вже запропоновано посиланням ch'ls), область пошуку інформації.

Тому:

$\frac{TN}{TN + FN}$

Якщо ви зацікавлені в оптимізації виклику як негативів, так і позитивів, вам слід переглянути "Точність" (див. Посилання chl). Але остерігайтеся перекосу класу (тобто у вас набагато більше позитивів, ніж негативів, або навпаки ... в цьому випадку можна "оптимізувати" точність, встановивши прогноз на основний клас для всіх точок даних).

— steffen
джерело

Дякую за відповідь на моє запитання. Мені справді цікаво оптимізувати як негативи, так і позитиви. У цьому випадку здається, що точність - це шлях, оскільки він розглядає tp, fp, tn, fn. Однак, як ви вже згадували вище, я повинен бути в курсі перекосу класу. Таким чином, чи варто подавати точність поряд з іншою метрикою для протидії цьому? Знову дякую!

— Раффі Хатчадуріан

@Raffi: Ви можете додати відношення правильно класифікованих прикладів другорядного класу (тобто точності або справжньої від’ємної ставки відповідно). Однак я думаю, що має бути достатньо, щоб ви заявили про свою обізнаність з цією проблемою і переконалися, що модель не просто передбачає основний клас. Але це лише моя думка.

— steffen

Дякую! Я думаю, я піду цим маршрутом тоді, тобто справжня справедливість і точність, і що модель не передбачає лише основного класу.

— Раффі Хатчадуріан