Сбалансированный precision score - просто версия precision score, равная скору на идеально сбалансированных данных. Она не учитывает баланс классов, когда это необходимо.
А F1 score "усредняет" precision и recall. Я думаю, у метрик разное предназначение. Однако было бы любопытно проверить, как влияет дисбаланс классов на F1 score.
Спасибо за комментарий и за вашу статью - было очень интересно. Когда я писал свою, я рассматривал только бинарную классификацию. Однако только что я сделал обновление для strtree (v0.2.0), которое добавляет возможность мультиклассовой классификации и улучшает производительность на больших объемах данных, что позволяет применить этот метод к вашей задаче. Так что теперь можно пробовать!
Сбалансированный precision score - просто версия precision score, равная скору на идеально сбалансированных данных. Она не учитывает баланс классов, когда это необходимо.
А F1 score "усредняет" precision и recall. Я думаю, у метрик разное предназначение. Однако было бы любопытно проверить, как влияет дисбаланс классов на F1 score.
Спасибо за комментарий и за вашу статью - было очень интересно. Когда я писал свою, я рассматривал только бинарную классификацию. Однако только что я сделал обновление для strtree (v0.2.0), которое добавляет возможность мультиклассовой классификации и улучшает производительность на больших объемах данных, что позволяет применить этот метод к вашей задаче. Так что теперь можно пробовать!
Всё верно, спасибо! Исправил код.
Вы строите предсказания для уже известных точек временного ряда, воспринимая предсказания как тренд?
Если я правильно вас понял, то и правда должно хорошо работать. С удовольствием почитал бы ваш материал.
Спасибо за дополнение!