什么是F1-score
F1分数(F1-score)是分类问题的一个衡量指标。一些多分类问题的机器学习竞赛,常常将F1-score作为最终测评的方法。它是精确率和召回率的调和平均数,最大为1,最小为0。
F_{1}=2 \cdot \frac{\text { precision } \cdot \text { recall }}{\text { precision }+\text { recall }}
此外还有F2分数和F0.5分数。F1分数认为召回率和精确率同等重要,F2分数认为召回率的重要程度是精确率的2倍,而F0.5分数认为召回率的重要程度是精确率的一半。计算公式为:
F_{β}=(1 + β^2) \cdot \frac{\text { precision } \cdot \text { recall }} { (β^2 \cdot {\text {precision}}) +\text { recall }}
G分数是另一种统一精确率和的召回率系统性能评估标准,G分数被定义为召回率和精确率的几何平均数。
G=\sqrt{\text { precision } \cdot \text {recall}}
计算过程
首先定义一下几个概念:
TP(True Positive): 预测答案正确
FP(False Positive): 错将其他类预测为本类
FN(False Negative):本类标签预测为其他类
通过第一步的统计值计算每个类别下的precision 和 recall
精确度 / 查准率(precision):指被分类器判定正例中的正样本的比重
\text { precision }_{k}=\frac{T P}{T P+F P}
召回率 / 查全率(r