Resolvemos un problema de clasificación binaria. ¿Cómo cambiarán las métricas de precisión y recall si eliminamos 10 objetos de la clase 0 del objetivo?

Si se elimina 10 objetos de la clase 0 (clase negativa) del objetivo de una clasificación binaria, la distribución de clases cambiará, lo que afectará las métricas de precisión y recall de la siguiente manera:

• Precisión (precision) — es la relación entre verdaderos positivos (TP) y la suma de TP y falsos positivos (FP): TP / (TP + FP). La eliminación de objetos de la clase 0 del objetivo no afecta directamente a TP o FP, ya que estas métricas dependen de las predicciones del modelo. Si las predicciones no cambian, la precisión permanecerá aproximadamente igual.

• Recall (sensibilidad) — es la relación entre TP y la suma de TP y falsos negativos (FN): TP / (TP + FN). La eliminación de objetos de la clase 0 no afecta la cantidad de TP o FN para la clase 1, por lo que el recall para la clase 1 permanecerá aproximadamente igual.

Sin embargo, si consideramos las métricas para la clase 0 (negativa), la eliminación de objetos de la clase 0 reducirá la cantidad de verdaderos negativos (TN) y potencialmente afectará a FP y FN, lo que puede cambiar la precisión y el recall para esa clase.

En general, eliminar objetos de la clase 0 del objetivo cambiará la distribución de clases, lo que puede afectar las métricas, especialmente si se promedian por clases (por ejemplo, macro-promediado). Pero para las métricas que solo consideran la clase positiva, los cambios serán mínimos si las predicciones no cambian.