现在我遇到了正样本大约是负样本数量的 100 倍的二元分类问题。在这种情况下，正常的准确度度量（预测 == 标签）不是一个好的度量。还有哪些措施？精确度、负样本召回率还是 F-1 测量最好？如果模型是概率模型，AUC（曲线下面积）是一个很好的衡量标准吗？
评估不平衡数据的二元分类准确性的措施是什么？
机器算法验证
机器学习
数据挖掘
不平衡类
准确性
损失函数
2022-03-31 10:44:55
1个回答
任何使用任意截断值并对连续信息（例如类成员概率）进行二分法的方法都是有问题的。而分类准确率是不正确的准确率评分规则，被错误的模型优化。一致性概率（ -index；ROC 面积）是纯粹区分的量度。对于整体度量，请考虑称为 Brier 分数的适当准确度分数，或使用基于广义似然的度量。
其它你可能感兴趣的问题