由于我作为一名纯生物学家的背景，我一直在努力处理从审稿人那里获得的关于我的回归研究中使用的准确性测试的评论。虽然我坚持使用 MSE、MAE 和 R2 作为参数来确定我的回归模型（支持向量回归和简单线性回归）的准确性，但一位审稿人要求我使用数据执行 F1 分数、PR 或 ROC 曲线。
审稿人指出，“F1 分数、PR 或 ROC 曲线不仅仅特定于分类模型。” 以我有限的知识，我找不到任何将这些参数应用于回归研究的证据。
如果有人可以向我提供此类应用程序的来源，您将非常感激。非常感谢使用回归研究应用此类测试的 R 或 python 包。
最好的问候， 卡伊
F1 分数、PR 或 ROC 曲线不仅特定于分类模型。
我从未见过用于评估数值预测的 F1 分数或 ROC。我不熟悉“公关”。
F1 分数的定义主要依赖于精确度和召回率，或正/负预测值，我看不出它如何合理地推广到数值预测。
ROC 曲线绘制了随着阈值变化的真阳性率与假阳性率的关系。同样，它依赖于“真阳性”和“假阳性”的概念，我不明白如何将这些应用于数值预测。
这并不是说尚未努力将这些概念应用于数值预测。
不过，对我来说，这感觉很像将方形钉子敲入圆孔。我会说我（我们？）没有看到这个是有原因的：它不直观，并且它没有提供像MAE 或 MSE 那样的标准误差测量的信息。老实说，如果我有一篇使用 F1/ROC 来评估数值预测的论文进行审查，我会建议他们放弃这些并使用更多的标准误差度量。
我的建议：请编辑与审稿人沟通，您需要更多关于在您的案例中申请 F1 和 ROC 的信息。也许审稿人可以提供一两个参考？您可能希望提供指向此 CV 线程的链接，以表明您确实做了功课并询问了统计专家（咳嗽），并且专家也同样感到困惑。
最好的结果是您的审阅者在这里发表他们的想法。