В чём преимущества и недостатки метрик precision и recall в задачах классификации с несбалансированными классами?

Преимущества метрик precision (точность) и recall (полнота) в задачах классификации с несбалансированными классами:

• Применимость в условиях несбалансированных выборок. fmsha-programming.github.io В отличие от метрики accuracy, precision и recall не зависят от соотношения классов. fmsha-programming.github.io
• Возможность оценить качество работы алгоритма на каждом из классов по отдельности. fmsha-programming.github.io Recall демонстрирует способность алгоритма обнаруживать данный класс вообще, а precision — способность отличать этот класс от других классов. fmsha-programming.github.io

Недостатки метрик:

• Расчёт precision и recall для каждого класса может привести к большому количеству метрик производительности. www.evidentlyai.com Чем больше классов, тем больше метрик, что может быть сложно интерпретировать и понимать одновременно. www.evidentlyai.com
• Усреднение метрик может исказить восприятие производительности. www.evidentlyai.com Например, сделать классификатор «хуже» из-за низкой производительности в незначительном и маленьком классе, так как он всё равно будет вносить одинаковый вклад в общую оценку. www.evidentlyai.com

Таким образом, выбор между преимуществами и недостатками метрик зависит от конкретной задачи и условий её решения.