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}
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。
