Birden fazla sınıflandırıcı kullanarak sınıflandırma yaptığım 2 sınıf etiketli veri var. Ve veri kümeleri dengelidir. Sınıflandırıcıların performansını değerlendirirken, sınıflandırıcının sadece gerçek pozitifleri değil, aynı zamanda gerçek negatifleri de belirlemede ne kadar doğru olduğunu göz önünde bulundurmam gerekir. Bu nedenle, doğruluk kullanırsam ve sınıflandırıcı pozitiflere karşı önyargılıysa ve her şeyi pozitif olarak sınıflandırırsa, herhangi bir gerçek negatifi sınıflandırmada başarısız olsa bile yaklaşık% 50 doğruluk elde edeceğim. Bu özellik, yalnızca bir sınıfa odaklandığı için ve daha sonra F1 puanına duyarlılık ve geri çağırma için genişletilmiştir. (Bu makaleden bile anladığım budur, örneğin " Doğruluk Ötesi, F-skoru ve ROC: Performans Değerlendirmesi için Ayrımcı Bir Önlemler Ailesi ").
Bu nedenle, bu değerleri en üst düzeye çıkarmayı hedeflediğim her sınıf için sınıflandırıcının nasıl performans gösterdiğini görmek için duyarlılık ve özgüllüğü (TPR ve TNR) kullanabilirim.
Sorum şu: Bu iki değeri de anlamlı bir ölçüde birleştiren bir ölçü arıyorum . Bu makalede verilen önlemleri inceledim, ancak önemsiz olduğunu gördüm. Ve anlayışım temelinde, neden F-puanı gibi bir şey uygulayamayacağımızı merak ediyordum, ancak hassasiyet ve hatırlama kullanmak yerine hassasiyet ve özgüllük kullanacağım? Yani formül