F-Beta-Score


F1-Score相關概念

  • F1分數(F1 Score),是統計學中用來衡量二分類(或多任務二分類)模型精確度的一種指標。它同時兼顧了分類模型的准確率和召回率。
  • F1分數可以看作是模型准確率和召回率的一種加權平均,它的最大值是1,最小值是0,值越大意味着模型越好。
  • 假如有100個樣本,其中1個正樣本,99個負樣本,如果模型的預測只輸出0,那么正確率是99%,這時候用正確率來衡量模型的好壞顯然是不對的。
label-1 label-0
pre-1 True Positive(TP)真陽性 False Positive(FP)假陽性
pre-0 False Negative(FN)假陰性 True Negative(TN)真陰性

F-Beta

  • 查准率(precision),指的是預測值為1且真實值也為1的樣本在預測值為1的所有樣本中所占的比例。以西瓜問題為例,算法挑出來的西瓜中有多少比例是好西瓜。
precision = \frac{TP}{TP+FP}

  • 召回率(recall),也叫查全率,指的是預測值為1且真實值也為1的樣本在真實值為1的所有樣本中所占的比例。所有的好西瓜中有多少比例被算法挑了出來。
recall = \frac{TP}{TP+FN}

  • F1分數(F1-Score),又稱為平衡F分數(BalancedScore),它被定義為精確率和召回率的調和平均數。
F_1 = 2 \cdot \frac{precisiont \cdot recall}{precision + recall}

  • 更一般的,我們定義Fβ分數為:
F_\beta = (1 + \beta^2) \cdot \frac{precisiont \cdot recall}{(\beta^2 \cdot precision) + recall}

  • 除了F1分數之外,F0.5分數和F2分數,在統計學中也得到了大量應用,其中,F2分數中,召回率的權重高於精確率,而F0.5分數中,精確率的權重高於召回率。

Macro-F1和Micro-F1

  • Macro-F1和Micro-F1是相對於多標簽分類而言的。
  • Micro-F1,計算出所有類別總的Precision和Recall,然后計算F1。
  • Macro-F1,計算出每一個類的Precison和Recall后計算F1,最后將F1平均。


免責聲明!

本站轉載的文章為個人學習借鑒使用,本站對版權不負任何法律責任。如果侵犯了您的隱私權益,請聯系本站郵箱yoyou2525@163.com刪除。



 
粵ICP備18138465號   © 2018-2025 CODEPRJ.COM