模型评价指标—F1值

最近空余时间在参加数字中国创新大赛，比赛规则是根据模型的F1值对参赛者进行排名。为了更深刻地理解这个指标，我最近对它做了一些梳理，现在把它分享给更多有需要的人图片。最近在参赛时也发现了一个问题，就是算法在训练集上完全拟合(KS=1)，但是到测试集上衰退得比较多，即出现了过拟合的现象。如果对过拟合调参比较有经验的小伙伴，欢迎到公众号中进行沟通交流。有正在参赛的小伙伴，想讨论赛题的也可以联系我。
  
对于分类模型，在建立好模型后，我们想对模型进行评价，常见的指标有混淆矩阵、F1值、KS曲线、ROC曲线、AUC面积等。也可以自己定义函数，把模型结果分割成n(100)份，计算top1的准确率、覆盖率。之前阐述了混淆矩阵和KS曲线，本文阐述F1值的原理和Python实现实例，其它指标会在后续文章中详尽阐述，敬请期待图片。

  

一、详细介绍F1值

  

1 什么是F1值

  
F1值又称为F1分数(F1-Score)：是分类问题的一个衡量指标，它是精确率P(Precision)和召回率R(Recall)的调和平均数。

F1值=2*P*R/(P+R)

  
F1值的取值范围（0~1），越接近1说明模型预测效果越好，至于原因详见后文。

  
  

2 理解F1值的一个小例子

  
假设1代表涉赌涉诈账户，0代表非涉赌涉诈的低风险账户。