分类任务的精确率和召回率拒绝曲线
摘要：基于类别分类，有时仅使用模型高度确信的分类实例更为理想。为了获取高度确信的实例，先前的工作提出了准确性拒绝曲线。拒绝曲线可以评估和比较接受或拒绝分类的不同确信度度量在一系列阈值上的性能。然而，对于所有应用程序而言，准确性可能不是最适合的评估指标，相反，精确度或召回率可能更可取。这是因为在类别分布不平衡的情况下，准确性可能不是最有用的度量指标。因此，我们提出评估精确度和召回率的拒绝曲线，即召回率拒绝曲线和精确度拒绝曲线。我们首先使用基于原型的学习向量量化分类器在人工基准数据上验证了所提出的曲线，并将准确性拒绝曲线作为基准进行比较。然后，我们在类别分布不平衡的基准数据和医学实际数据上展示了对于这些场景，所提出的精确度和召回率曲线比准确性拒绝曲线提供更准确的分类器性能洞察。
作者：Lydia Fischer and Patricia Wollstadt
论文ID：2308.08381
分类：Machine Learning
分类简称：cs.LG
提交时间：2023-08-21