Je travaille dans un domaine problématique où les gens rapportent souvent ROC-AUC ou AveP (précision moyenne). Cependant, j'ai récemment trouvé des documents qui optimisent la perte de journal à la place, tandis que d'autres encore signalent une perte de charnière .
Bien que je comprenne comment ces mesures sont calculées, j'ai du mal à comprendre les compromis entre elles et ce qui est bon pour quoi exactement.
En ce qui concerne ROC-AUC vs Precision-Recall, ce fil discute comment la maximisation de ROC-AUC peut être considérée comme utilisant un critère d'optimisation de perte qui pénalise "le classement d'un vrai négatif au moins aussi grand qu'un vrai positif" (en supposant que plus élevé les scores correspondent aux positifs). En outre, cet autre fil fournit également une discussion utile sur ROC-AUC contrairement aux métriques de précision-rappel .
Cependant, pour quel type de problèmes la perte de journal serait-elle préférée à, disons, ROC-AUC , AveP ou la perte de charnière ? Plus important encore, quels types de questions faut-il poser sur le problème lors du choix entre ces fonctions de perte pour la classification binaire?