03.3.8
F1 Score
Σύνοψη
- Το F1 συνδυάζει Precision και Recall σε έναν δείκτη ισορροπίας.
- Είναι χρήσιμο όταν τα λάθη FP και FN έχουν παρόμοιο κόστος.
- Με Fβ μπορούμε να δώσουμε μεγαλύτερο βάρος σε Precision ή Recall.
1. Ορισμός #
Με Precision (P) και Recall (R):
$$ F_1 = 2 \cdot \frac{P \cdot R}{P + R} $$Η γενίκευση:
$$ F_\beta = (1 + \beta^2) \cdot \frac{P \cdot R}{\beta^2 P + R} $$2. Πότε να το χρησιμοποιείς #
- Όταν θέλεις ισορροπία ανάμεσα σε ψευδείς συναγερμούς και χαμένες ανιχνεύσεις.
- Σε datasets με ανισορροπία όπου το Accuracy δεν είναι αρκετό.
- Όταν υπάρχει σαφής πολιτική για το βάρος του Recall (F2) ή του Precision (F0.5).
3. Σημειώσεις #
- Το F1 δεν αντικαθιστά την καμπύλη PR· είναι συνοπτικό μέτρο.
- Πάντα να εξετάζεις και το κατώφλι που οδηγεί σε υψηλό F1.