评估中权衡的可视化：从精确率-召回率与 PN 到 LIFT、ROC 与 BIRD
机器学习
2020-09-03 v2 人工智能
信息检索
统计方法学
机器学习
摘要
评估通常旨在将系统的正确性或错误特征归结为一个单一数值，但这总是涉及权衡。处理此问题的另一种方法是给出两个数值，例如召回率（Recall）和精确率（Precision），或灵敏性（Sensitivity）和特异性（Specificity）。但看到多于两个数值也可能是有用的，并且图形化方法可以探索对成本、流行度、偏差、噪声、参数和超参数的敏感性。此外，大多数技术隐式地基于两个平衡类别，而我们图形化可视化的能力本质上是二维的，但我们经常希望在多类背景下可视化。我们回顾了与精确率（Precision）、召回率（Recall）和 ROC 以及相关的 LIFT 图相关的二分类方法，探索它们如何处理不平衡和多类数据，并推导出 LIFT 新的概率和信息论变体，以帮助处理与多个不平衡类别处理相关的问题。
引用
@article{arxiv.1505.00401,
title = {Visualization of Tradeoff in Evaluation: from Precision-Recall & PN to LIFT, ROC & BIRD},
author = {David M. W. Powers},
journal= {arXiv preprint arXiv:1505.00401},
year = {2020}
}
备注
23 pages, 12 equations, 2 figures, 2 tables, 1 sidebar