当类别中没有正负含义，而只是代表中性事物时，该如何计算这些指标呢？

例如，假设我们有一个分类问题，其中有两个类别代表两个人（约翰、亚历克斯），你想将新的实例分类到其中一个类别中。目标是判断新的人更像是约翰，还是更像是亚历克斯。那么你该如何计算召回率和精确率呢？

回答：

在这种情况下通常没有所谓的精确率，你可以（而且人们通常会）报告两种精确率，在你的情况下是：

• 识别约翰的精确率
• 识别亚历克斯的精确率

换句话说，你可以将每个类别单独视为正类，并报告多个精确率。有些指标不存在这个问题（如准确率），因为它们是对称的。对于不对称的指标（如精确率或F1分数），你需要做以下三件事之一：

• 决定哪个类别是正类
• 报告多个值，每个值以不同的类别定义为“正类”
• 聚合上述结果——例如，通过报告类别上的平均精确率、中位数精确率等

最后要说的是——没有一种“普遍的方法”来做这件事，因为每种方法回答的是不同的问题。一旦你能严格定义你的模型试图回答的问题，你就可以选择最佳的指标。

例如，如果你的问题是“我想最大化正确分类从未见过的对象x的概率，x是从与我的训练集相同的数据源中抽取的”，那么答案是准确率，而不是精确率或召回率。