ye-olde 精度和召回指标是否有“软”版本？给定二元决策，定义精度（和召回），即
precision=sum(marked_as_positive* is_positive)/sum(marked_as_positives)
其中marked_as_positive 等于0 或1。有没有人遇到过使用概率而不是二元决策的版本，即
sum(P(is_positive)*is_positive)/sum(P(is_positive))
其中 P(is_positive) 介于 0 到 1 之间，表示某个分类器指定的给定样本为正的概率？
我知道 logloss、AUC 和类似的“软”指标，但由于某种原因从未遇到过上述指标——这让我怀疑使用它有什么问题。
有不同的场景使这种“部分类成员资格”（以不同的方式）对于预测[非常简单] 和参考都是明智的。
遥感讨论了“混合像素问题”，它不是概率，而是模糊集合中的分数——真正的类是混合的，因为[空间]分辨率低。有关文献，请参见下面链接的论文中的参考文献。
我一直在从化学计量学的角度研究“软”品质因数，并在我的博士期间进行医学应用（并且在我们有两种概率的情况下，因为参考诊断并不完全确定类和纯类的混合作为在测量体积中，出现了几类细胞）。在这种情况下，我发现最好在派生的品质因数中整理出乐观/悲观（如乐观/悲观偏见）：概率和混合参考中的不确定性转化为品质因数的范围，即根据观察到的参考和预测标签。
softclassval
http://softclassval.r-forge.r-project.org您对 AND 运算符的乘法（精度 = 通过参考所有预测为真的案例预测为真且为真的案例的分数）导致上述预期精度。
顺便说一句：期望可以以与 Brier 的分数（适当的评分规则）和典型的回归误差品质因数密切相关的方式表达。