Rešavamo problem binarne klasifikacije. Kako će se promeniti metrike preciznosti i recall-a ako uklonimo 10 objekata klase 0 iz cilja?

Ako uklonite 10 objekata iz klase 0 (negativne klase) iz cilja binarne klasifikacije, raspodela klasa će se promeniti, što će uticati na metrike preciznosti i odziva na sledeći način:

• Preciznost (precision) — odnosi se na odnos između istinski pozitivnih (TP) i zbira TP i lažno pozitivnih (FP): TP / (TP + FP). Uklanjanje objekata klase 0 iz cilja ne utiče direktno na TP ili FP, jer ove metrike zavise od predviđanja modela. Ako se predviđanja ne promene, preciznost će ostati približno ista.

• Odziv (recall) — odnosi se na odnos između TP i zbira TP i lažno negativnih (FN): TP / (TP + FN). Uklanjanje objekata klase 0 ne utiče na broj TP ili FN za klasu 1, pa će odziv za klasu 1 ostati približno isti.

Međutim, ako razmatramo metrike za klasu 0 (negativnu), uklanjanje objekata klase 0 smanjiće broj istinski negativnih (TN) i potencijalno će uticati na FP i FN, što može promeniti preciznost i odziv za tu klasu.

Uopšteno, uklanjanje objekata klase 0 iz cilja promeniće raspodelu klasa, što može uticati na metrike, posebno ako se one računaju kao prosečne po klasama (npr. macro-averaged). Ali za metrike koje se računaju samo za pozitivnu klasu, promene će biti minimalne ako se predviđanja ne promene.