作为天蓝色机器学习分类实验的结果，我有以下曲线。
这显然显示了很多假阴性，但我很难解释这一点，因为我的数据有大量的阴性和少量的阳性（我正在做一个二进制分类）。
我将其解释为我的数据几乎完全由正值组成，其中大多数被确定为负值。我相信图表上的假阴性实际上是真阴性。我是否正确阅读图表？
分类 - ROC 曲线具有非常多的假阴性
数据挖掘
分类
2022-02-16 10:31:07
1个回答
请注意如何precision非常高，而所有其他指标都非常低。现在看看你的问题的类平衡：
因此，您的数据严重偏向正面。为了得到一个效果不佳的模型，我认为您可能已经为模型提供了precision作为交叉验证指标的模型。在这种情况下，这precision是一个非常糟糕的交叉验证指标，因为它会导致差accuracy和差recall。 accuracy也不是一个好的指标，因为您的模型可以将所有内容分类为正面并获得以下准确度：
对于此类严重偏向一个值的情况，我建议使用F1-score作为您的交叉验证指标。F1-score是的，harmonic mean因此precision很好recall地平衡了这两个因素。维基百科实际上在这里对分类指标有一个非常好的解释，如果您甚至需要了解多类指标和混淆矩阵，这篇论文就是一流的。
希望这可以帮助！