Λύνοντας ένα πρόβλημα δυαδικής ταξινόμησης. Πώς θα αλλάξουν τα μετρικά της ακρίβειας και της ανάκλησης αν αφαιρέσετε 10 αντικείμενα της κλάσης 0 από τον στόχο;

Εάν αφαιρέσετε 10 αντικείμενα της κλάσης 0 (αρνητική κλάση) από τον στόχο μιας δυαδικής ταξινόμησης, η κατανομή των κλάσεων θα αλλάξει, επηρεάζοντας τις μετρικές ακρίβειας και ανάκλησης ως εξής:

• Ακρίβεια (precision) — είναι η αναλογία των αληθών θετικών (TP) προς το άθροισμα TP και ψευδών θετικών (FP): TP / (TP + FP). Η αφαίρεση αντικειμένων της κλάσης 0 από τον στόχο δεν επηρεάζει άμεσα το TP ή το FP, καθώς αυτές οι μετρικές εξαρτώνται από τις προβλέψεις του μοντέλου. Αν οι προβλέψεις δεν αλλάξουν, η ακρίβεια θα παραμείνει περίπου η ίδια.

• Ανάκληση (recall) — είναι η αναλογία των TP προς το άθροισμα TP και ψευδών αρνητικών (FN): TP / (TP + FN). Η αφαίρεση αντικειμένων της κλάσης 0 δεν επηρεάζει τον αριθμό των TP ή FN για την κλάση 1, επομένως η ανάκληση για την κλάση 1 θα παραμείνει περίπου η ίδια.

Ωστόσο, αν εξετάσουμε τις μετρικές για την κλάση 0 (αρνητική), η αφαίρεση αντικειμένων της κλάσης 0 θα μειώσει τον αριθμό των αληθών αρνητικών (TN) και ενδεχομένως θα επηρεάσει τα FP και FN, κάτι που μπορεί να αλλάξει την ακρίβεια και την ανάκληση για αυτήν την κλάση.

Γενικά, η αφαίρεση αντικειμένων της κλάσης 0 από τον στόχο θα αλλάξει την κατανομή των κλάσεων, κάτι που μπορεί να επηρεάσει τις μετρικές, ειδικά αν αυτές υπολογίζονται κατά μέσο όρο ανά κλάση (π.χ., macro-averaged). Αλλά για τις μετρικές που υπολογίζονται μόνο για την θετική κλάση, οι αλλαγές θα είναι ελάχιστες αν οι προβλέψεις δεν αλλάξουν.