我如何选择"K“在K的精度和召回在K？

Question

我理解k的精确性和k的回忆性。当正数类被负数类压倒性地压倒时，它是评价二进制分类器成功与否的一个更有用的指标。

我想知道如何选择合适的"k“值。根据这这样的资源，在"k“处的召回是以正示例的数量为界的，因此在评估严重不平衡的类的成功时，它不是一个有用的度量。

对我来说也是这样: K的精度也受到K的正例子数的限制，我们一共有100个例子，只有3个是正例子。如果我们给这些

场景1:我们选择k=10，那么，K的精度最多可以是3/10 = 0.3。而且，k的召回量将是0.03，因为在整个数据集100中有3。

场景2:我们选择k=3，那么，K的精度是3/3 = 1.0！，k的召回率仍然是3/100 = 0.03。

即使我们的二进制分类器性能很好，但它的完美性能只在我们选择k=3时才能反映出来。

那么，我的问题是如何正确选择K？

Answer 1

精确性和召回有时是令人怀疑的。这取决于中华民国曲线上的点。因此，根据你的需要选择要点。最好的方法是提供更多关于您的结果的信息，即准确性度量和混淆矩阵。

Answer 2

如果您所有的顶级num_positive术语都是正类，那么对于所有k，您的精度@k应该是1.0。

分母应该是min(num_positive，num_looked_at)，而不是num_looked_at。