ორკლასიანი კლასიფიკაციის პრობლემას ვხსნით. თუ მიზნიდან 0 კლასის 10 ობიექტს გავწერთ, როგორ შეიცვლება precision და recall მეტრიკები?

Եթե բինարային դասակարգման նպատակից հանենք 0 դասի 10 օբյեկտ, ապա դասերի բաշխումը կփոխվի, ինչը հետևյալ կերպ կազդի ճշգրտության և հիշողության վրա:

• Ճշգրտություն (precision) — դա ճշմարիտ դրականների (TP) և TP և սխալ դրականների (FP) գումարի հարաբերությունն է՝ TP / (TP + FP): 0 դասի օբյեկտների հեռացումը նպատակից չի ազդում ուղղակիորեն TP կամ FP-ի վրա, քանի որ այս մետրիկաները կախված են մոդելի կանխատեսումներից: Եթե կանխատեսումները չփոխվեն, ճշգրտությունը կմնա մոտավորապես նույնը:

• Հիշողություն (recall) — դա TP-ի հարաբերությունն է TP և TP և սխալ բացթողումների (FN) գումարի նկատմամբ՝ TP / (TP + FN): 0 դասի օբյեկտների հեռացումը չի ազդում 1 դասի համար TP կամ FN-ի վրա, այնպես որ հիշողությունը 1 դասի համար կմնա մոտավորապես նույնը:

Այնուամենայնիվ, եթե դիտարկենք 0 դասի համար մետրիկաները, ապա 0 դասի օբյեկտների հեռացումը կկրճատի ճիշտ բացասականների (TN) թիվը և հնարավոր է ազդի FP և FN-ի վրա, ինչը կարող է փոխել այդ դասի համար ճշգրտությունն ու հիշողությունը:

Ընդհանուր առմամբ, 0 դասի օբյեկտների հեռացումը նպատակից կփոխի դասերի բաշխումը, ինչը կարող է ազդել մետրիկաների վրա, հատկապես եթե դրանք հաշվվում են դասերի միջինով (օրինակ, macro-միջին): Բայց միայն դրական դասի համար հաշվարկվող մետրիկաների համար փոփոխությունները կլինեն նվազագույն, եթե կանխատեսումները չփոխվեն։