Решаем задачу бинарной классификации. Как изменятся метрики precision и recall, если выкинуть 10 объектов класса 0 из таргета?

Если из таргета бинарной классификации удалить 10 объектов класса 0 (негативного класса), то изменится распределение классов, что повлияет на метрики precision и recall следующим образом:

• Precision (точность) — это отношение истинно положительных (TP) к сумме TP и ложноположительных (FP): TP / (TP + FP). Удаление объектов класса 0 из таргета не влияет напрямую на TP или FP, так как эти метрики зависят от предсказаний модели. Если при этом предсказания не меняются, precision останется примерно тем же.

• Recall (полнота) — это отношение TP к сумме TP и ложноотрицательных (FN): TP / (TP + FN). Удаление объектов класса 0 не влияет на количество TP или FN для класса 1, поэтому recall для класса 1 останется примерно тем же.

Однако, если рассматривать метрики для класса 0 (отрицательного), то удаление объектов класса 0 уменьшит количество истинно отрицательных (TN) и потенциально повлияет на FP и FN, что может изменить precision и recall для этого класса.

В целом, удаление объектов класса 0 из таргета изменит распределение классов, что может повлиять на метрики, особенно если они усредняются по классам (например, macro-averaged). Но для метрик, рассчитанных только на положительный класс, изменения будут минимальны, если предсказания не меняются.