你可以看看sensitivity和specificity。它们可以有效地结合起来，为正确分类提供基础，或为每个类别中的排除性分类提供基础。也就是说，如果您正在为整个模型寻找衡量标准，您可能希望查看某种加权平均sensitivity分数。

sensitivity与 的计算相同precision，但specificity与 不同recall。

也就是说，您可能需要有几个专门针对不同领域的模型，或者，在最坏的情况下，您可能需要生成一个一对一的模型集合以获得最佳结果。如果正如anymous.asker 所建议的那样，这可能会有所帮助，也许您可​​以围绕积极或消极的结果引入一些成本。

高温高压

通常排名指标，例如 N 处的精度（例如，真实类在模型预测的前 3 或前 5 中的次数）。如果您可以以某种方式合并相似性信息或每种错误分类类型的成本，那么还有其他指标可能更合适。

您可以在所有类型的算法中使用一些相关参数作为成本函数，例如 Kappa、CEN 和 MCEN。

免责声明：

如果您使用的是 Python，则可以使用PyCM模块。该模块在接收到您的数据的混淆矩阵后，可以根据您的数据集的特点，提出一些适合评估您的算法的参数。

这是一个从该模块获取推荐参数的简单代码：

>>> from pycm import *

>>> cm = ConfusionMatrix(matrix={"Class1": {"Class1": 1, "Class2":2}, "Class2": {"Class1": 0, "Class2": 5}})  

>>> print(cm.recommended_list)
["Kappa", "SOA1(Landis & Koch)", "SOA2(Fleiss)", "SOA3(Altman)", "SOA4(Cicchetti)", "CEN", "MCEN", "MCC", "J", "Overall J", "Overall MCC", "Overall CEN", "Overall MCEN", "AUC", "AUCI", "G", "DP", "DPI", "GI"]

之后，您想用作损失函数的每个参数都可以使用如下：

>>> y_pred = model.predict      #the prediction of the implemented model

>>> y_actu = data.target        #data labels

>>> cm = ConfusionMatrix(y_actu, y_pred)

>>> loss = cm.Kappa             #or any other parameter (Example: cm.SOA1)