We lossen een binair classificatieprobleem op. Hoe veranderen de metrics precision en recall als je 10 objecten van klasse 0 uit de target verwijdert?

Als je 10 objecten van klasse 0 (negatieve klasse) uit het doel van een binaire classificatie verwijdert, zal de verdeling van de klassen veranderen, wat de metrics precisie en recall als volgt zal beïnvloeden:

• Precisie (precision) — is de verhouding tussen ware positieven (TP) en de som van TP en valse positieven (FP): TP / (TP + FP). Het verwijderen van objecten van klasse 0 uit het doel beïnvloedt niet direct TP of FP, omdat deze metrics afhankelijk zijn van de voorspellingen van het model. Als de voorspellingen niet veranderen, blijft de precisie ongeveer hetzelfde.

• Recall (terugroep) — is de verhouding tussen TP en de som van TP en valse negatieven (FN): TP / (TP + FN). Het verwijderen van objecten van klasse 0 beïnvloedt niet het aantal TP of FN voor klasse 1, dus de recall voor klasse 1 blijft ongeveer hetzelfde.

Echter, als we kijken naar metrics voor klasse 0 (negatief), dan zal het verwijderen van objecten van klasse 0 het aantal ware negatieven (TN) verminderen en mogelijk invloed hebben op FP en FN, wat de precisie en recall voor die klasse kan veranderen.

Over het algemeen zal het verwijderen van objecten van klasse 0 uit het doel de klasseverdeling veranderen, wat de metrics kan beïnvloeden, vooral als ze worden gemiddeld over klassen (bijvoorbeeld macro-gemiddeld). Maar voor metrics die alleen voor de positieve klasse worden berekend, zullen de veranderingen minimaal zijn als de voorspellingen niet veranderen.