เกณฑ์การตัดสินใจสร้างการแลกเปลี่ยนระหว่างจำนวนของผลบวกที่คุณคาดการณ์และจำนวนเชิงลบที่คุณทำนาย - เนื่องจากการเพิ่มขีด จำกัด การตัดสินใจจะเป็นการลดจำนวนของผลบวกที่คุณคาดการณ์และจำนวนลบ คุณทำนาย
เกณฑ์การตัดสินใจไม่ใช่พารามิเตอร์ไฮเปอร์ในแง่ของการปรับแต่งโมเดลเนื่องจากไม่ได้เปลี่ยนความยืดหยุ่นของโมเดล
วิธีที่คุณคิดเกี่ยวกับคำว่า "ปรับ" ในบริบทของเกณฑ์การตัดสินใจแตกต่างจากวิธีปรับค่าพารามิเตอร์มากเกินไป การเปลี่ยนและพารามิเตอร์ไฮเปอร์โมเดลอื่น ๆ จะเปลี่ยนโมเดลค(เช่นสัมประสิทธิ์การถดถอยโลจิสติกจะแตกต่างกัน) ในขณะที่การปรับเกณฑ์สามารถทำได้สองสิ่งเท่านั้น: แลกเปลี่ยน TP สำหรับ FN และ FP สำหรับ TN อย่างไรก็ตามโมเดลยังคงเหมือนเดิมเพราะนี่จะไม่เปลี่ยนค่าสัมประสิทธิ์ (เช่นเดียวกับโมเดลที่ไม่มีสัมประสิทธิ์เช่นฟอเรสต์แบบสุ่ม: การเปลี่ยนขีด จำกัด ไม่เปลี่ยนแปลงอะไรเลยเกี่ยวกับต้นไม้) ดังนั้นในแง่ที่แคบคุณถูกต้องแล้วที่จะหาการแลกเปลี่ยนที่ดีที่สุดท่ามกลางข้อผิดพลาด คือ "จูน" แต่คุณไม่ถูกต้องอยู่ในความคิดว่าการเปลี่ยนเกณฑ์มีการเชื่อมโยงกับรูปแบบไฮเปอร์พารามิเตอร์อื่น ๆ GridSearchCV
ในลักษณะที่มีการเพิ่มประสิทธิภาพโดย
ระบุอีกวิธีหนึ่งการเปลี่ยนเกณฑ์การตัดสินใจสะท้อนถึงตัวเลือกในส่วนของคุณเกี่ยวกับจำนวนบวกและลบที่คุณต้องการ พิจารณาสมมติฐานที่คุณตั้งค่าเกณฑ์การตัดสินใจเป็นค่าที่ไม่น่าเชื่ออย่างสมบูรณ์เช่น -1 ความน่าจะเป็นทั้งหมดนั้นไม่เป็นลบดังนั้นด้วยเกณฑ์นี้คุณจะคาดการณ์ "เชิงบวก" สำหรับการสังเกตทุกครั้ง จากมุมมองที่กำหนดนี่เป็นสิ่งที่ดีมากเพราะอัตราลบติดลบของคุณคือ 0.0 อย่างไรก็ตามอัตราบวกที่ผิดพลาดของคุณนั้นอยู่ที่ระดับรุนแรงมากถึง 1.0 ดังนั้นในแง่นั้นการเลือกเกณฑ์ที่ -1 นั้นแย่มาก
แน่นอนว่าอุดมคติคือการมี TPR เท่ากับ 1.0 และ FPR ที่ 0.0 และ FNR ที่ 0.0 แต่โดยปกติจะเป็นไปไม่ได้ในแอปพลิเคชันในโลกแห่งความเป็นจริงดังนั้นคำถามจึงกลายเป็น "ฉันยินดีรับ FPR เท่าไหร่สำหรับ FPR" และนี่คือแรงจูงใจของเส้นโค้งroc