Resolvemos um problema de classificação binária. Como as métricas de precisão e recall irão mudar se removermos 10 objetos da classe 0 do alvo?

Se removeres 10 objetos da classe 0 (classe negativa) do alvo de uma classificação binária, a distribuição de classes irá mudar, o que afetará as métricas de precisão e recall da seguinte forma:

• Precisão (precision) — é a relação entre verdadeiros positivos (TP) e a soma de TP e falsos positivos (FP): TP / (TP + FP). A remoção de objetos da classe 0 do alvo não afeta diretamente TP ou FP, pois essas métricas dependem das previsões do modelo. Se as previsões não mudarem, a precisão permanecerá aproximadamente a mesma.

• Recall (sensibilidade) — é a relação entre TP e a soma de TP e falsos negativos (FN): TP / (TP + FN). A remoção de objetos da classe 0 não afeta a quantidade de TP ou FN para a classe 1, portanto o recall para a classe 1 permanecerá aproximadamente o mesmo.

No entanto, se considerarmos as métricas para a classe 0 (negativa), a remoção de objetos da classe 0 reduzirá a quantidade de verdadeiros negativos (TN) e potencialmente afetará FP e FN, o que pode alterar a precisão e o recall para essa classe.

De modo geral, remover objetos da classe 0 do alvo mudará a distribuição de classes, o que pode afetar as métricas, especialmente se forem calculadas por média de classes (por exemplo, macro-média). Mas para métricas que consideram apenas a classe positiva, as mudanças serão mínimas se as previsões não mudarem.