Risolvendo un problema di classificazione binaria. Come cambieranno le metriche di precisione e recall se si eliminano 10 oggetti della classe 0 dal target?

Se si rimuovono 10 oggetti della classe 0 (classe negativa) dall'obiettivo di una classificazione binaria, la distribuzione delle classi cambierà, influenzando le metriche di precisione e recall come segue:

• Precision (precisione) — è il rapporto tra veri positivi (TP) e la somma di TP e falsi positivi (FP): TP / (TP + FP). La rimozione di oggetti della classe 0 dall'obiettivo non influisce direttamente su TP o FP, poiché queste metriche dipendono dalle previsioni del modello. Se le previsioni non cambiano, la precisione rimarrà circa invariata.

• Recall (richiamo) — è il rapporto tra TP e la somma di TP e falsi negativi (FN): TP / (TP + FN). La rimozione di oggetti della classe 0 non influisce sul numero di TP o FN per la classe 1, quindi il recall per la classe 1 rimarrà circa invariato.

Tuttavia, se si considerano le metriche per la classe 0 (negativa), la rimozione di oggetti della classe 0 ridurrà il numero di veri negativi (TN) e potenzialmente influenzerà FP e FN, modificando così precisione e recall per questa classe.

In generale, la rimozione di oggetti della classe 0 dall'obiettivo cambierà la distribuzione delle classi, influenzando le metriche, specialmente se vengono mediate per classe (ad esempio, macro-media). Tuttavia, per le metriche che considerano solo la classe positiva, i cambiamenti saranno minimi se le previsioni non cambiano.