63-F1 Score

F1 Score

  上一篇博客学习了精准率和召回率两个指标。当我们的数据极度偏斜的时候，使用这两个指标实际上是比使用准确度这个指标更好的。不过，这里有一个问题，这里有两个指标，它们之间可能会产生差异。比如有的时候算法的精准率高一些，召回率低一些；有的时候又相反。那么具体在使用的时候，我们怎么解读这个精准率和召回率呢？

  其实还是要根据实际的应用场景来决定。对于有一些场景来说，我们更加注重精准率。比如，我们做一个机器学习的算法，这个机器学习的算法是进行股票的预测。那么我们有可能将股票预测这样的问题做成一个二分类问题，我们预测未来的股票是升还是降。我们关注的是升这种情况，我们将股票升这种情况分类为 1，将股票降这种情况分类为 0，在这种情况下，我们可能更关心精准率，我们希望精准率足够的高。为什么这样说呢？精准率意思就是我们做的所有分类为 1 的预测中有多少是预测准确的。因为在预测升这种情况下，我们就可能会大量买入股票，如果预测错误的话，我们将会损失惨重。所以我们希望这个比例越高越好。

  还有另外一种场景，我们更关心召回率。比如在医疗领域病人的诊断，如果此时召回率低，意味着病人本来就已经得病了，但是我们却没有正确的把它预测出来，这个结果就可能延误治疗的最佳时机。所以召回率十分重要，我们期望将所有患病的患者都能够准确的预测出来。但是此时精准率低一些并没有关系，因为在这种情况下，准确率低一些意味着犯了 FP 的错误，就是有一些人群没患病，我们却错误的以为他们患病，那么在这种情况下，让他们再做进一步的检查进行确诊就好了。此时，召回率就比精准率重要。

  但是还有一种情况，我们需要同时关注精准率和召回率，此时我们就要一种新的指标 $F1$ $Score$，它的目的就是要兼顾精准率和召回率。它的计算方法如下：

  这个式子描述的是精准率和召回率的调和平均值。可能有的小伙伴不是很明白调和平均值，我们简单列出调和平均值的公式：

  那么我们为什么要取二者的调和平均值呢？调和平均值有一个特点就是如果这二者极度不平衡的话，比如说一个值特别低，另一个值特别高，那么最终我们得到的 $F1$ $Score$ 也将特别低。只有这两者都非常高，$F1$ $Score$ 才会高。这是和算术平均值非常大的区别。

  下面我们就具体实现 $F1$ $Score$。
  

---

  具体代码见 63 F1 Score.ipynb