Classifier performance assessment (CPA) is a challenging task for pattern recognition. In recent years, various CPA metrics have been developed to help assess the performance of classifiers. Although the classification accuracy (CA), which is the most popular metric in pattern recognition area, works well if the classes have equal number of samples, it fails to evaluate the recognition performance of each class when the classes have different number of samples. To overcome this problem, researchers have developed various metrics including sensitivity, specificity, area under curve, Jaccard index, Kappa, and F-measure except CA. Giving many evaluation metrics for assessing the performance of classifiers make large tables possible. Additionally, when comparing classifiers with each other, while a classifier might be more successful on a metric, it may have poor performance for the other metrics. Hence, such kinds of situations make it difficult to track results and compare classifiers. This study proposes a stable and profound knowledge criterion that allows the performance of a classifier to be evaluated with only a single metric called as polygon area metric (PAM). Thus, classifier performance can be easily evaluated without the need for several metrics. The stability and validity of the proposed metric were tested with the k -nearest neighbor, support vector machines, and linear discriminant analysis classifiers on a total of 7 different datasets, five of which were artificial. The results indicate that the proposed PAM method is simple but effective for evaluating classifier performance.

中文翻译：

---

分类器的新性能评估指标：多边形面积指标

分类器性能评估 (CPA) 是模式识别的一项具有挑战性的任务。近年来，已经开发了各种 CPA 指标来帮助评估分类器的性能。尽管在模式识别领域中最流行的指标分类准确率（CA）在类的样本数相同的情况下效果很好，但是当类的样本数不同时，它无法评估每个类的识别性能。为了克服这个问题，研究人员开发了各种指标，包括灵敏度、特异性、曲线下面积、Jaccard 指数、Kappa 和 F 测量（CA 除外）。为评估分类器的性能提供许多评估指标使大表成为可能。此外，当比较分类器时，虽然分类器在度量上可能更成功，它可能在其他指标上表现不佳。因此，这种情况使得跟踪结果和比较分类器变得困难。这项研究提出了一个稳定而深刻的知识标准，允许仅使用称为多边形面积度量 (PAM) 的单个度量来评估分类器的性能。因此，无需多个指标即可轻松评估分类器性能。使用 k 最近邻、支持向量机和线性判别分析分类器在总共 7 个不同的数据集上测试了所提出度量的稳定性和有效性，其中 5 个是人工数据集。结果表明，所提出的 PAM 方法对于评估分类器性能是简单但有效的。这种情况使得跟踪结果和比较分类器变得困难。这项研究提出了一个稳定而深刻的知识标准，允许仅使用称为多边形面积度量 (PAM) 的单个度量来评估分类器的性能。因此，无需多个指标即可轻松评估分类器性能。使用 k 最近邻、支持向量机和线性判别分析分类器在总共 7 个不同的数据集上测试了所提出度量的稳定性和有效性，其中 5 个是人工数据集。结果表明，所提出的 PAM 方法对于评估分类器性能是简单但有效的。这种情况使得跟踪结果和比较分类器变得困难。这项研究提出了一个稳定而深刻的知识标准，允许仅使用称为多边形面积度量 (PAM) 的单个度量来评估分类器的性能。因此，无需多个指标即可轻松评估分类器性能。使用 k 最近邻、支持向量机和线性判别分析分类器在总共 7 个不同的数据集上测试了所提出度量的稳定性和有效性，其中 5 个是人工数据集。结果表明，所提出的 PAM 方法对于评估分类器性能是简单但有效的。这项研究提出了一个稳定而深刻的知识标准，允许仅使用称为多边形面积度量 (PAM) 的单个度量来评估分类器的性能。因此，无需多个指标即可轻松评估分类器性能。使用 k 最近邻、支持向量机和线性判别分析分类器在总共 7 个不同的数据集上测试了所提出度量的稳定性和有效性，其中 5 个是人工数据集。结果表明，所提出的 PAM 方法对于评估分类器性能是简单但有效的。这项研究提出了一个稳定而深刻的知识标准，允许仅使用称为多边形面积度量 (PAM) 的单个度量来评估分类器的性能。因此，无需多个指标即可轻松评估分类器性能。使用 k 最近邻、支持向量机和线性判别分析分类器在总共 7 个不同的数据集上测试了所提出度量的稳定性和有效性，其中 5 个是人工数据集。结果表明，所提出的 PAM 方法对于评估分类器性能是简单但有效的。使用 k 最近邻、支持向量机和线性判别分析分类器在总共 7 个不同的数据集上测试了所提出度量的稳定性和有效性，其中 5 个是人工数据集。结果表明，所提出的 PAM 方法对于评估分类器性能是简单但有效的。使用 k 最近邻、支持向量机和线性判别分析分类器在总共 7 个不同的数据集上测试了所提出度量的稳定性和有效性，其中 5 个是人工数据集。结果表明，所提出的 PAM 方法对于评估分类器性能是简单但有效的。