Řešíme problém binární klasifikace. Jak se změní metriky precision a recall, pokud odstraníte 10 objektů třídy 0 z cíle?

Pokud odstraníme 10 objektů třídy 0 (negativní třídy) z cíle binární klasifikace, změní se rozložení tříd, což ovlivní metriky přesnosti a recall následujícím způsobem:

• Přesnost (precision) — je poměr mezi pravdivými pozitivy (TP) a součtem TP a falešných pozitiv (FP): TP / (TP + FP). Odstranění objektů třídy 0 z cíle přímo neovlivní TP nebo FP, protože tyto metriky závisí na předpovědích modelu. Pokud se předpovědi nezmění, přesnost zůstane přibližně stejná.

• Recall (citlivost) — je poměr mezi TP a součtem TP a falešných negativ (FN): TP / (TP + FN). Odstranění objektů třídy 0 neovlivní počet TP nebo FN pro třídu 1, takže recall pro třídu 1 zůstane přibližně stejný.

Nicméně, pokud se podíváme na metriky pro třídu 0 (negativní), odstranění objektů třídy 0 sníží počet pravdivých negativ (TN) a potenciálně ovlivní FP a FN, což může změnit přesnost a recall pro tuto třídu.

Obecně platí, že odstranění objektů třídy 0 z cíle změní rozložení tříd, což může ovlivnit metriky, zejména pokud jsou průměrovány přes třídy (například macro-průměr). Ale pro metriky, které počítají pouze pro pozitivní třídu, budou změny minimální, pokud se předpovědi nezmění.