'positive' 和 'negative' 是如何在机器学习的召回公式中确定的？
How are 'positive' and 'negative' determined in Recall formula for machine learning?
在Python scikitlearn 中有一个函数叫做'sklearn.metrics.recall_score' (http://scikit-learn.org/stable/modules/generated/sklearn.metrics.recall_score.html)，它是通过TP/(TP+FN)计算的。
在我的无监督分类模型中，我将电子邮件分为 2 类：1 或 -1。所以我的问题是 'recall_score' 函数如何知道标签 '1' 是 'positive' 还是标签 '-1' 是 'negative' 因为我没有指定哪个是哪个？如果模型将“1”视为正数，则召回结果将不同于模型将“-1”视为正数。
抱歉，如果我的问题不清楚。如果您希望我提供任何说明，请告诉我。谢谢！
您需要指定正标签。例如，如果您希望 -1 成为您的正面标签，您将调用
recall_score(y_true=[...], y_pred=[...], pos_label=-1)
注意默认1是正标签。
在Python scikitlearn 中有一个函数叫做'sklearn.metrics.recall_score' (http://scikit-learn.org/stable/modules/generated/sklearn.metrics.recall_score.html)，它是通过TP/(TP+FN)计算的。
在我的无监督分类模型中，我将电子邮件分为 2 类：1 或 -1。所以我的问题是 'recall_score' 函数如何知道标签 '1' 是 'positive' 还是标签 '-1' 是 'negative' 因为我没有指定哪个是哪个？如果模型将“1”视为正数，则召回结果将不同于模型将“-1”视为正数。
抱歉，如果我的问题不清楚。如果您希望我提供任何说明，请告诉我。谢谢！
您需要指定正标签。例如，如果您希望 -1 成为您的正面标签，您将调用
recall_score(y_true=[...], y_pred=[...], pos_label=-1)
注意默认1是正标签。