Kétosztályos osztályozási problémát oldunk meg. Hogyan változnának a precision és recall metrikák, ha kivennénk 10 objektumot az 0 osztályból a céltól?

Ha egy bináris osztályozás céljából eltávolítunk 10 objektumot az 0 osztályból (negatív osztály), akkor az osztályeloszlás megváltozik, ami a pontosság és a recall metrikákat a következőképpen befolyásolja:

• Pontosság (precision) — a valódi pozitívok (TP) és a TP és hamis pozitívok (FP) összegének aránya: TP / (TP + FP). Az 0 osztályból származó objektumok eltávolítása nem befolyásolja közvetlenül a TP vagy FP értékét, mivel ezek a metrikák a modell előrejelzéseitől függenek. Ha az előrejelzések nem változnak, a pontosság nagyjából ugyanakkora marad.

• Recall (érzékenység) — a TP és a TP és hamis negatívok (FN) összegének aránya: TP / (TP + FN). Az 0 osztályból származó objektumok eltávolítása nem befolyásolja a TP vagy FN számát az 1 osztály esetében, így a recall az 1 osztály esetében nagyjából változatlan marad.

Azonban, ha az 0 osztályra vonatkozó metrikákat nézzük, az 0 osztályból származó objektumok eltávolítása csökkenti a valódi negatívok (TN) számát, és potenciálisan befolyásolja az FP és FN értékeket, ami megváltoztathatja a pontosságot és a recall-t ennél az osztálynál.

Általánosságban elmondható, hogy az 0 osztályból származó objektumok eltávolítása megváltoztatja az osztályok eloszlását, ami befolyásolhatja a metrikákat, különösen, ha azok osztályonként átlagoltak (pl. macro-averaged). Azonban az olyan metrikák esetében, amelyek csak a pozitív osztályt veszik figyelembe, a változások minimálisak lesznek, ha az előrejelzések nem változnak.