precision recall f1-score support
Class 0 1.00 0.98 0.99 125000
Class 1 0.33 0.84 0.47 1500
大家好，
在这个模型中，f1 分数对于预测第 1 类（少数类）并不是很好。
我的想法是，如果模型对 0 类预测得这么好，为什么不把问题反过来预测 0 类。既然只有 2 个类，如果不是 0 类，那就是 1 类。
换句话说，如果模型可以将数据识别为 0 类，那么它肯定不是 1 类（尤其是当 0 类的精度为 1 时）。这意味着该模型仍然表现良好。
这样可以吗？为什么不呢？
非常感谢。
【问题讨论】：
标签： machine-learning classification precision-recall imbalanced-data
您说的是模型真正学习了 0 类的直觉。在这种情况下（数据不平衡），这些分数（高召回率/高精度）可能有点决定性，意义不大。
让我举个例子。如果您指定一个盲人对红苹果和橙苹果进行分类（例如，您有 99 个红苹果和 1 个绿苹果作为您的数据）。现在，当你给他一个红苹果（他不知道是什么颜色）时，他只是随机说“红色”，你会很高兴并给他奖励（从机器学习的角度来看，产生更低的损失）。所以现在他知道说“红色”会给他奖励，所以现在他利用这种行为并一直说“红色”（尽管他会错过一个“绿色”苹果，但这并不能说明所有的奖励他有）。现在，如果您不知道这个人是盲人，您可以说“我可以将他用作苹果分类器，因为他非常了解“红”苹果，当它不是“红苹果”。但是你知道这是一个盲人，他真的不知道“红”苹果是不是“红”苹果。
我们可以这样想我们的模型，当我们给它一个任务时，它的工作就是减少损失，所以如果它得到一个漏洞，它就会利用任何漏洞。所以当它得到不平衡的数据时，它知道总是给出 0 类（多数类）的预测会减少损失，所以它就是这样做的。如果你从几何的角度考虑，你已经得到了 2 种颜色的所有这些点（不同的类），现在你有一条线来分隔它们（决策边界），如果你把线画在很远的地方并说向右的点（数据集的所有点所在的位置）是 0 类（多数类），左侧的所有点都是 1 类（少数类）。那么这个模型也会为 0 类产生一个高精度分数，这告诉我们当它预测 0 类时我们可以真正信任该模型（这就是精度指标的含义），但我们真的可以吗？我们知道它实际上并没有学到任何东西。
所以这些都是问题，在数据不平衡的情况下，我们的成本分配也会出现偏差，这会阻碍模型的严格学习。
【讨论】：