machine-learning - 什么是 f1-score 以及它的值表示什么？

Question

已关闭。此问题不符合 Stack Overflow guidelines 。目前不接受答案。

---

这个问题似乎与 help center 中定义的范围内的编程无关。 .

已关闭 5 年前。

Improve this question

sklearn上有一个评估指标，它是f1-score(也有f-beta分数)。

我知道如何使用它，但我不太明白它代表什么。

它的大小代表什么？

如果我们把公式放在一边，我应该从 f-score 值中理解什么？

Answer 1

F-score 是一个收集精确度和召回率分数的简单公式。想象一下您想要预测二元分类任务(正或负)的标签。您有 4 种类型的预测:

• 真阳性:正确指定为阳性。
• 真阴性:正确指定为阴性。
• 误报:错误地指定为阳性。
• 假阴性:错误地指定为阴性。

准确率是所有阳性预测中真阳性的比例。精度为 1 意味着没有误报，这很好，因为您永远不会说某个元素是正的，而它不是。

召回率是所有实际积极元素中真正积极的比例。召回率为 1 意味着您没有漏报，这很好，因为您从未说过某个元素属于相反的类别，而它实际上属于您的类别。

如果你想知道你的预测是否正确，你需要这两个指标。您的精度可以为 1(因此，当您说它是正值时，它实际上是正值)，但召回率仍然很低(您预测了 3 个好的正值，但忘记了其他 15 个)。或者你可能有很好的召回率和很差的精确率。

这就是为什么您可能会检查 f1-score，但也可能会检查任何其他类型的 f-score。如果这两个值之一急剧下降，f 分数也会急剧下降。但请注意，在许多问题中，我们更倾向于更加重视精确度或召回率(在网络安全中，错误地阻止一些好的请求比放开一些坏的请求更好)。