結合敏感性和特異性的分類器性能度量？
我有 2 類標記的數據，我正在使用多個分類器對其進行分類。並且數據集很平衡。在評估分類器的性能時，我需要考慮分類器在確定真陽性和真陰性方面的準確性。因此，如果我使用準確率，並且如果分類器偏向於正面並將所有內容分類為正面，我將獲得大約 50% 的準確率，即使它無法對任何真正的負面進行分類。這個屬性擴展到精確度和召回率，因為它們只關註一個類，然後是 F1 分數。（這就是我從這篇論文中所理解的，例如“ Beyond Accuracy, F-score and ROC: a Family of Discriminant measure for Performance Evaluation ”）。
因此，我可以使用敏感性和特異性（TPR 和 TNR）來查看分類器對每個類的執行情況，我的目標是最大化這些值。
我的問題是，我正在尋找一種將這兩個值組合成一個有意義的度量的度量。我研究了那篇論文中提供的措施，但我發現它並非微不足道。根據我的理解，我想知道為什麼我們不能應用像 F 分數這樣的東西，而是使用靈敏度和特異性而不是使用精度和召回率？所以公式是
我的目標是最大化這一措施。我覺得很有代表性。已經有類似的公式了嗎？這是否有意義，或者在數學上是否合理？
我想說，您可能不應該考慮任何特定的或只有一種措施。
上次我做概率分類時，我有一個 R 包 ROCR 和 False Positives 和 False Negatives 的顯式成本值。
我考慮了從 0 到 1 的所有截止點，並在選擇此截止點時使用了許多措施，例如預期成本。當然，我已經對分類準確性的一般測量進行了 AUC 測量。但對我來說，這不是唯一的可能性。
FP 和 FN 案例的值必須超出您的特定模型，也許這些是由某些主題專家提供的？
例如，在客戶流失分析中，錯誤地推斷出客戶沒有流失可能會更昂貴，而且如果沒有準確地將這些服務定位到正確的群體，那麼對服務價格進行普遍降低將是昂貴的。
-分析師