Machine learning 如果没有正面/负面含义，如何计算召回率和准确率？

当类中没有正的、负的含义，但它们只是表示一些中性的东西时，如何计算这些度量

---

比如说，我们有一个分类问题，你有两个类代表一个人（John，Alex），你想把你的新实例分类为其中一个。我们的目标是找出这个新人是像约翰，还是像亚历克斯。那么你如何计算召回率和准确率呢？

通常在这种情况下，准确率是不存在的，你能做的（人们通常做的）是报告两个准确率，在你的情况下：

• 识别约翰的准确度
• Alex的识别精度

换句话说，您只需将每个类分别视为正类，并报告多个精度。有些度量没有这个问题（比如准确性），因为它们是对称的。对于非等轴测（如精度或F1），您必须执行以下三项操作之一：

• 决定哪一类是积极的
• 报告多个值，每个值具有定义为“正值”的不同类别
• 汇总上述结果-例如，通过报告类别平均精度、中值精度等

最后一句话——不存在“一般做法”，因为每种方法都会回答不同的问题。一旦您能够严格定义模型试图回答的问题，您就可以选择最佳度量

---

例如，如果您的问题是“我想最大限度地提高以前从未见过的对象x的正确分类概率，该对象x是从与我的训练集相同的数据源中采样的”，则答案是准确度，而不是准确度或召回率。

Jhon为1级，Alex为2级。如果您只有两个类，您仍然可以将它们表示为正数和负数，如果没有，您将看到“多类度量”：