关于受试者工作特征与精确率-召回率曲线的几何性质

Reza Sameni

关于受试者工作特征与精确率-召回率曲线的几何性质

机器学习 2026-04-15 v3 人工智能统计理论机器学习统计理论

作者: Reza Sameni

摘要

我们研究了二分类问题中受试者工作特征（ROC）与精确率-召回率（PR）曲线的几何性质。关键发现是，许多最常用的二分类指标仅仅是复合函数 $G := F_p \circ F_n^{-1}$ 的函数，其中 $F_p(\cdot)$ 和 $F_n(\cdot)$ 分别是分类器得分在正类和负类中的类条件累积分布函数。这种几何视角促进了操作点的选择、理解决策阈值的影响以及分类器之间的比较。它还有助于解释 ROC/PR 曲线的形状和几何特征如何反映分类器行为，为构建针对具有特定上下文约束的特定应用而优化的分类器提供了客观工具。我们进一步探讨了分类器占优的条件，给出了解析和数值示例以证明类别可分性与方差对 ROC 和 PR 几何特征的影响，并推导了正负类泄漏函数 $G(\cdot)$ 与 Kullback-Leibler 散度之间的联系。该框架突出了实际考量，如模型校准、代价敏感优化以及现实世界容量约束下的操作点选择，从而为分类器部署和决策制定提供了更明智的方法。

关键词

ROC 曲线精确率-召回率曲线二分类指标分类器几何 Kullback-Leibler 散度

引用

@article{arxiv.2504.02169,
  title  = {On the Geometry of Receiver Operating Characteristic and Precision-Recall Curves},
  author = {Reza Sameni},
  journal= {arXiv preprint arXiv:2504.02169},
  year   = {2026}
}

关于受试者工作特征与精确率-召回率曲线的几何性质

摘要

关键词

引用

相关论文