如何分析机器学习中两个分类指标线性组合的效果比相乘的效果好？

Question

求助，我现在在做一个类似二分类的算法，通过学习我获得了一个指标我这里称其为A，那么我的评判标准就是A>T，则是类别1，A<T为类别二。但是呢，我发现这个分类效果并不好，正确分类的准确度太低，于是我就开始想办法，突然我通过数学公式推导出这个指标A在计算过程中可以拆分为A=B*C（过程我就不给了），于是我想这个公式表明A是另外两个指标的乘积（B和C我也做实验了，实验证明B和C也可以做为二分类的指标，即B>T1为类别1，B<T1为类别2，C同理，但是呢B的分类准确度确比A和C好许多），那么我将它拆分一下，变成A1=k1*B+k2*C (k1和k2是参数，可以调参)，最终我得出这种线性组合的方式得到的指标A1比最开始的A在分类效果上好许多，现在我想问的是这个该如何解释呢（为什么A1比A好），用什么理论解释呢？还请各路大神帮忙解答一下。

Answer 1

你好，我是有问必答小助手，非常抱歉，本次您提出的有问必答问题，技术专家团超时未为您做出解答

本次提问扣除的有问必答次数，将会以问答VIP体验卡（1次有问必答机会、商城购买实体图书享受95折优惠）的形式为您补发到账户。

​​​​因为有问必答VIP体验卡有效期仅有1天，您在需要使用的时候【私信】联系我，我会为您补发。