K_DM Book

F1 Score

03.3.8

F1 Score

Ενημέρωση 2020-05-06 Ανάγνωση 1 λεπτά
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.