引入O值：基于混淆矩阵的分类绩效指标通用标准化
计算机视觉与模式识别
2025-06-10 v1
摘要
存在许多分类绩效指标，每种指标都适用于特定应用。然而，这些指标在尺度上常常不同，并且在敏感性上可能对测试集中的不平衡率有所不同。结果，使用这些指标的 nominal 值来评估、比较和监控分类绩效尤其在不平衡率不同的测试集之间具有挑战性。为了解决这个问题，我们引入了超出标准化函数（OPS），这是一种用于混淆矩阵基于分类绩效（CMBCP）指标的通用标准化方法。它将给定的任何指标映射到 的常见尺度上，同时提供清晰且一致的解释。具体而言，结果的OPS值（o值）代表了观察到的分类绩效在可能绩效参考分布中的百分位排名。这一统一框架使我们能够在不同不平衡率的测试集之间进行有意义的绩效比较和监控。我们展示了o值如何应用于各种常用分类绩效指标，并通过实验表明我们方法的实用性和稳健性，这些实验涵盖了多个分类应用。
引用
@article{arxiv.2505.07032,
title = {MarkMatch: Same-Hand Stuffing Detection},
author = {Fei Zhao and Runlin Zhang and Chengcui Zhang and Nitesh Saxena},
journal= {arXiv preprint arXiv:2505.07032},
year = {2025}
}