F1-score

F1-score 是一种衡量分类模型性能的指标，特别适用于处理极度不平衡的数据集，F1-score 的取值范围是从0到1，数值越大，表示性能越好。
计算公式：
F1-score是精确率和召回率的调和平均数。
$\ast \ast F1score=2\times \frac{precision\times Recall}{precision+Recall}\ast \ast$
那什么是precision和Recall呢?
Precision(准确率）：模型预测为正类的样本中，真正为正类的比列。
Recall(召回率)：实际为正类的样本中，被模型正确预测为正类的比例。
计算公式如下：
$Precision=\frac{TP}{TP+FP}$
$Recall=\frac{TP}{TP+FN}$
Eg：

实际类别	预测类别
1	1
1	0
0	1
1	1
0	0

什么是TP？FP？FN？
TP（True Positive):模型预测为正类，且实际为正类，例子中有2个。
FP（False Positive）:模型预测为正类，但实际为负类。例子中有 1 个。
FN（False Negative）：模型预测为负类，但实际为正类。这里有 1 个。
$Precision=\frac{TP}{TP+FP}=\frac{2}{2+1}=0.67$
$Recall=\frac{TP}{TP+FN}=\frac{2}{2+1}=0.67$
$F1score=2\times \frac{Precision\times Recall}{Precision+Recall}=2\times \frac{0.67\times 0.67}{0.67+0.67}=0.67$

召回率和精确率分别回答了什么问题呢？
召回率：是在所有实际为正类的样本中，预测到为正类的！
故回答的是：在所有正类样本中，究竟有多少被模型正确识别。
精确率：是在所有预测为正类的样本中，实际也为正类的比列。
故回答的是：在所有被预测为正类的样本中，究竟有多少是正类的呢。