Rozwiązujemy problem klasyfikacji binarnej. Jak zmienią się metryki precision i recall, jeśli usuniemy 10 obiektów klasy 0 z celu?

Jeśli usuniesz 10 obiektów klasy 0 (klasy negatywnej) z celu klasyfikacji binarnej, rozkład klas się zmieni, co wpłynie na metryki precyzji i recall w następujący sposób:

• Precyzja (precision) — to stosunek prawdziwych pozytywów (TP) do sumy TP i fałszywych pozytywów (FP): TP / (TP + FP). Usunięcie obiektów klasy 0 z celu nie wpływa bezpośrednio na TP lub FP, ponieważ te metryki zależą od predykcji modelu. Jeśli predykcje się nie zmienią, precyzja pozostanie mniej więcej taka sama.

• Recall (czułość) — to stosunek TP do sumy TP i fałszywych negatywów (FN): TP / (TP + FN). Usunięcie obiektów klasy 0 nie wpływa na liczbę TP lub FN dla klasy 1, więc recall dla klasy 1 pozostanie mniej więcej taki sam.

Jednakże, jeśli rozważamy metryki dla klasy 0 (klasy negatywnej), to usunięcie obiektów klasy 0 zmniejszy liczbę prawdziwych negatywów (TN) i potencjalnie wpłynie na FP i FN, co może zmienić precyzję i recall dla tej klasy.

Ogólnie rzecz biorąc, usunięcie obiektów klasy 0 z celu zmieni rozkład klas, co może wpłynąć na metryki, szczególnie jeśli są one uśredniane po klasach (np. macro-averaged). Jednak dla metryk obliczanych tylko dla klasy pozytywnej zmiany będą minimalne, jeśli predykcje się nie zmienią.