Tôi có 2 lớp dữ liệu được dán nhãn mà tôi đang thực hiện phân loại bằng nhiều phân loại. Và các bộ dữ liệu được cân bằng tốt. Khi đánh giá hiệu suất của bộ phân loại, tôi cần xem xét mức độ chính xác của bộ phân loại trong việc xác định không chỉ các mặt tích cực thực sự, mà cả các tiêu cực thực sự. Do đó, nếu tôi sử dụng độ chính xác và nếu trình phân loại thiên về hướng tích cực và phân loại mọi thứ là tích cực, tôi sẽ nhận được độ chính xác khoảng 50%, mặc dù nó không thể phân loại bất kỳ tiêu cực thực sự nào. Thuộc tính này được mở rộng đến độ chính xác và thu hồi khi chúng chỉ tập trung vào một lớp và lần lượt đạt điểm F1. (Đây là những gì tôi hiểu ngay cả từ bài viết này, ví dụ " Vượt xa Độ chính xác, Điểm F và ROC: Gia đình của các biện pháp phân biệt đối xử để đánh giá hiệu suất ").
Do đó, tôi có thể sử dụng độ nhạy và độ đặc hiệu (TPR và TNR) để xem cách trình phân loại thực hiện cho từng lớp, nơi tôi nhắm đến để tối đa hóa các giá trị này.
Câu hỏi của tôi là tôi đang tìm kiếm một biện pháp kết hợp cả hai giá trị này thành một biện pháp có ý nghĩa . Tôi đã xem xét các biện pháp được cung cấp trong bài báo đó, nhưng tôi thấy nó không tầm thường. Và dựa trên sự hiểu biết của tôi, tôi đã tự hỏi tại sao chúng ta không thể áp dụng một cái gì đó như điểm F, nhưng thay vì sử dụng độ chính xác và thu hồi, tôi sẽ sử dụng độ nhạy và độ đặc hiệu? Vì vậy, công thức sẽ là và mục tiêu của tôi sẽ là tối đa hóa biện pháp này. Tôi thấy nó rất tiêu biểu. Có một công thức tương tự đã? Và điều này sẽ có ý nghĩa hay thậm chí là âm thanh toán học?