Կարող է արդյոք օգտագործվել Precision-Recall գծագիրը ROC AUC-ի փոխարեն դասերի անհավասարակշռության դեպքում?

Այո, ուժեղ դասերի անհավասարակշռության դեպքում, Precision-Recall (PR) գիծը հաճախ ավելի տեղեկատվական է, քան ROC AUC-ը:

Պատճառը այն է, որ ROC AUC-ը հաշվի է առնում True Positive Rate և False Positive Rate հարաբերությունը, բայց անհավասարակշռության դեպքում, մեծ քանակությամբ բացասական օրինակները կարող են խեղաթյուրել գնահատականը, դարձնելով ROC AUC-ը չափազանց օպտիմիստական:

PR գիծը կենտրոնանում է Precision (հստակություն) և Recall (հիշողություն) վրա, ինչը ավելի լավ է արտացոլում մոդելի որակը հազվագյուտ դրական դասարաններում:

Աստիճանաբար, եթե դրական դասարանը հազվագյուտ է, PR գիծը և համապատասխան մետрика (օրինակ, միջին հստակությունը) ավելի հարմար գնահատում են մոդելի որակը:

Օրինակ՝

• Կեղծիքների հայտնաբերման խնդիրում (հազվագյուտ կեղծիքային գործարքներ), PR գիծը ցույց կտա, թե որքան լավ է մոդելը գտնում կեղծարարներին առանց շատ կեղծ ազդանշանների:

Ամփոփում՝

• Օգտագործեք ROC AUC-ը հավասարակշռված դասարանների համար:
• Օգտագործեք Precision-Recall գիծը ուժեղ անհավասարակշռության դեպքում: