我想知道为 2 个类中的每一个制作 2 条 ROC 曲线是否有意义？
我正在做一个二元分类问题，但 AUC 好于 82%。
但是标记为 1 的类的 F 分数很差（大约 0.4）。
所以 AUC 很好，但 F 分数很差。
在这种情况下，ROC 曲线实际上意味着什么？
我一直认为，AUC 得分越高，分类器越好。
但就我而言，它无法正确捕获 1 类。
在这种情况下应该怎么做？
有更好的指标来评估分类器的好坏吗？
AUC 高但无法正确代表其他类别
数据挖掘
分类
准确性
2022-03-06 13:12:11
2个回答
为每个类制作两条单独的 AUC / AUROC 曲线是没有意义的，这些是聚合函数，与 F1-score 相同。如果 AUC 很高但 F-score 不高，那么您可能有一个不平衡的数据集（类在数据中的表示不均等），因为 AUC 无法衡量这一点，而 F-score 可以。所以，如果你确实有一个不平衡的数据集，你应该使用 AU(RO)C 以外的东西，比如 F-score。
同意用户 2974951。您很可能在 2 个类别上的数据不平衡。因此，请检查每个类别的样本数量，并为每个类别的错误赋予不同的权重。例如，如果 A 类有 10 个样本，B 类有 1000 个样本，则将 1 作为 B 类错误的成本，将 sqrt(100) 作为 A 类错误的成本
其它你可能感兴趣的问题