Mēs risinām bināras klasifikācijas uzdevumu. Kā mainīsies precizitātes un recall metriki, ja no mērķa izņemsim 10 objektus no klases 0?

Ja no binārās klasifikācijas mērķa izņems 10 objektus no 0. klases (negatīvās klases), klases sadalījums mainīsies, kas ietekmēs precizitātes un atgūšanas metriku šādi:

• Precizitāte (precision) — tā ir īsto pozitīvo (TP) un TP un nepareizi pozitīvo (FP) summas attiecība: TP / (TP + FP). No 0. klases objektu izņemšana no mērķa tieši neietekmē TP vai FP, jo šīs metriku ir atkarīgas no modeļa prognozēm. Ja prognozes nemainās, precizitāte paliks aptuveni tāda pati.

• Atgūšana (recall) — tā ir TP un TP un nepareizi negatīvo (FN) summas attiecība: TP / (TP + FN). No 0. klases objektu izņemšana neietekmē TP vai FN skaitu 1. klasē, tāpēc atgūšana 1. klasē paliks aptuveni tāda pati.

Tomēr, ja skatāmies uz metriku 0. klasei (negatīvā klase), tad 0. klases objektu izņemšana samazinās patiesi negatīvo (TN) skaitu un potenciāli ietekmēs FP un FN, kas var mainīt precizitāti un atgūšanu šai klasei.

Kopumā, 0. klases objektu izņemšana no mērķa mainīs klases sadalījumu, kas var ietekmēt metriku, īpaši, ja tās tiek aprēķinātas pa klasēm (piemēram, macro-averaged). Bet tikai pozitīvai klasei aprēķinātās metriku izmaiņas būs minimālas, ja prognozes nemainīsies.