PulseAugur
中
实时 08:39:09
English(EN) An Insight on Evaluation Metrics Under the Imbalanced Case of Anomaly Detection

异常检测指标在不平衡数据集上的分析

作者 PulseAugur 编辑部 · [1 个来源] ·

本研究论文深入探讨了异常检测模型在面对显著类别不平衡时的评估复杂性。作者分析了AUROC、AUPR、F1分数和MCC等常用指标在不同不平衡程度下的行为。他们引入了指标景观的概念，直观地展示了指标值与真阳性率和真阴性率的关系，从而更清晰地理解指标偏好和稳定性。研究结果旨在为研究人员和从业人员在解释和比较不同不平衡率数据集上的异常检测结果提供实践指导。 AI

影响 为解释异常检测结果提供了指导，这对于在不平衡数据场景下开发更鲁棒的AI系统至关重要。

排序理由 学术论文，分析异常检测的评估指标。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv stat.ML 阅读 →

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →

异常检测指标在不平衡数据集上的分析

报道来源 [1]

  1. arXiv stat.ML TIER_1 English(EN) · Romain Hermary, Nesryne Mejri, Djamila Aouada ·

    An Insight on Evaluation Metrics Under the Imbalanced Case of Anomaly Detection

    arXiv:2607.22286v1 Announce Type: cross Abstract: Anomaly detection is inherently characterised by severe class imbalance, making the interpretation of evaluation metrics challenging. Although metrics such as AUROC, AUPR, F1-score, and MCC are widely used, their values convey dif…

相关实体

相关话题