每天五分钟机器学习：评价算法模型常用的数值评估方式——F1值

本文重点

上一节课程中我们学习了查准率和召回率，作为遇到偏斜类问题的评估度量值。那么究竟是查准率更好一些还是召回率更好一些呢？其实都不是，真正好的应该是使得查准率和召回率的相对平衡，那么这个相对平衡的就是F1值。

为什么需要F1值

现在我们训练一个肿瘤的分类器。我们的算法输出的结果在 0-1 之间，我们使用阀值 0.5 来预测真和假。也就是说如何分类器输出大于0.5那么我们可以认为这个人患有肿瘤，如果分类器小于0.5那么我们可以认为这个人没有患有肿瘤，但是实际上是否患有肿瘤这件事情很重要。

假如我们预测一个病人hθ(x)=0.51,那么我们说这个病人是癌症，虽然这样符合我们逻辑回归，但是仅仅比0.5多了0.01就预测癌症，多少有点不太靠谱，因为癌症发生的相对来说还是比较少的，所以我们可以设置阈值不是0.5，我们可以设置阈值为0.7，只有大于0.7的时候我们才预测y=1（有癌症），这样看起来就靠谱一些了。

我们将阈值设置为0.7的时候，这样预测y=1的病人会有较高的机率真正患有癌症，所以此时的模型会有较高的查准率，较低的召回率（查全率）。

我们将阈值设置为0.7会有一个问题，我们不能说小于0.7的就是没有癌症的，这样万一有的话，就可能耽误治疗，所以为了不让有癌症的人漏掉，我们可以设置我们的阈值为0.3，只要大于0.3，就可能有癌症，就要接受进一步的治疗，那么此时我们将获得一个较高的召回模型和较低的查准率。

F1值

那么现在就出现这个问题了，以上两个模型究竟哪个更好呢？或者说我们是想