Решаваме задача за бинарна класификация. Как ще се променят метриките за прецизност и припомняне, ако изхвърлим 10 обекта от клас 0 от целта?

Ако премахнете 10 обекта от клас 0 (негативен клас) от целта за бинарна класификация, разпределението на класовете ще се промени, което ще повлияе на метриките за прецизност и припомняне по следния начин:

• Прецизност (precision) — това е отношението между истинските положителни (TP) и сумата от TP и фалшивите положителни (FP): TP / (TP + FP). Премахването на обекти от клас 0 от целта не влияе директно върху TP или FP, тъй като тези метрики зависят от предсказанията на модела. Ако предсказанията не се променят, прецизността ще остане приблизително същата.

• Припомняне (recall) — това е отношението между TP и сумата от TP и фалшивите отрицателни (FN): TP / (TP + FN). Премахването на обекти от клас 0 не влияе върху броя на TP или FN за класа 1, така че припомнянето за класа 1 ще остане приблизително същото.

Обаче, ако разглеждаме метриките за класа 0 (отрицателен), премахването на обекти от класа 0 ще намали броя на истинските отрицателни (TN) и потенциално ще повлияе на FP и FN, което може да промени прецизността и припомнянето за този клас.

Общо взето, премахването на обекти от класа 0 от целта ще промени разпределението на класовете, което може да повлияе на метриките, особено ако те се изчисляват като средни по класове (например, macro-averaged). Но за метриките, изчислявани само за положителния клас, промените ще бъдат минимални, ако предсказанията не се променят.