待验证50% 置信事实精确时间
马修斯相关系数(MCC)在类别不平衡场景下比准确率和F1分数更可靠,因其同时考虑真正例、假正例、真负例和假负例
1
来源数
50%
置信度
长期有效
时效性
2026/10/5
首次发现
来源
涉及实体
相关事实
待验证在类别不平衡场景下F1分数比准确率更能反映模型对少数类的识别能力73% 相似待验证在类别不平衡场景下单纯的准确率可能具有误导性,需要结合混淆矩阵进行更细粒度评估71% 相似已验证在类别不平衡场景下Accuracy具有误导性,Precision-Recall曲线与AUC-ROC是更可靠的性能衡量工具66% 相似待验证On class-imbalanced datasets, Macro F1 is extremely sensitive to rare class performance, where small threshold changes cause dramatic fluctuations in precision and recall for rare classes65% 相似待验证PR曲线在样本不平衡场景下更有价值,根本原因在于精确率的计算不涉及真负例(TN)的数量64% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/975660API
curl https://kongchang.com/api/v1/knowledge/claims/975660MCP
get_claim(id=975660)