یکی از بزرگترین چالشها در یادگیری ماشین، تشخیص ناهنجاری (Anomaly Detection) در دادههایی است که توزیع نامتوازنی دارند. حالا محققان در مطالعهای جدید، عملکرد معیارهای پرکاربردی مثل AUROC، AUPR و F1-score را زیر ذرهبین بردهاند.
این تحقیق نشان میدهد که بسته به نسبت دادههای ناهنجار، این معیارها میتوانند نتایج متفاوتی را نشان دهند. این مقاله راهنمای بسیار کاربردی برای محققان است تا بتوانند مدلهای خود را دقیقتر ارزیابی کنند و در دام تفسیرهای اشتباه نیفتند. 🧠💡
منبع: arXiv Machine Learning