多类预测器的拟合优度度量
机器学习
2022-08-12 v1
摘要
多类预测在近年来已变得日益流行。因此，衡量拟合优度成为研究者经常必须面对的一个关键问题。若干度量常被用于此任务。然而，当必须决定正确的度量时，必须考虑到不同的用例施加了不同的约束来支配该决策。至少在真实世界多类问题中一个主导性约束是不平衡数据：多类别问题很少提供对称数据。因此，当我们观察常见的KPI（关键绩效指标），例如精确率-灵敏度或准确率时，人们很少能将所得数值解读为模型的实际需求。我们建议将马修斯相关系数推广到多维。该推广基于广义混淆矩阵的几何解释。
引用
@article{arxiv.2208.05651,
title = {Goodness of Fit Metrics for Multi-class Predictor},
author = {Uri Itai and Natan Katz},
journal= {arXiv preprint arXiv:2208.05651},
year = {2022}
}