LxCIM：一种对类别局部交换不变的新型基于排序的二分类器性能度量

二分类是机器学习中最古老、最普遍且研究最深入的问题之一。然而，用于评估模型性能的度量标准所受的关注却相对较少。受试者工作特征曲线下面积（AUROC）长期以来一直是模型比较的标准选择。尽管 AUROC 具有诸多优势，但它并不总是理想的，特别是对于类别局部交换不变（LxC）的问题——这是本工作引入的一种新的度量不变性形式。为解决这一局限性，我们提出了 LxCIM（LxC 不变度量），它不仅是基于排序且对类别局部交换不变的，而且直观、逻辑一致且始终可计算，同时通过累积精度-决策率曲线实现更详细的分析。此外，LxCIM 与 AUROC、准确率以及精度-决策率曲线下面积（AUDRC）展现出明确的理论联系。这些关系赋予了其多种互补的解释：作为 AUROC 的对称形式、作为准确率的基于排序的类比，或作为 AUDRC 的更具代表性与更易解释的变体。最后，我们展示了 LxCIM 在二元因果发现问题（该问题表现出对类别局部交换的不变性）中的直接适用性，并展示了它如何解决该领域现有度量公认的局限性。所有代码与实现细节均公开于 github.com/tiagobrogueira/Causal-Discovery-In-Exchangeable-Data。