machine-learning - 当负类很少见时得分为 F

Question

我有一个数据集，其中 20% 的数据是负类，80% 是正类。在计算 F 分数时，我假设精度为 TP/(TP+FP)。我是否应该“反转”公式，因为我的频率较低的类别为负数？那么就是 TN/(TN+FN)？

Answer 1

首先，你写的不是F1-score。这就是精度!

要计算 F1 分数，请设置精度=TP/(TP+FP) 和召回率=TP/(TP+FN)。它们的调和平均值是 F1 分数。所以，F1=2*(P*R)/(P+R)。 See this for further details.

您可以计算每个类别的这些值，并查看您在分类任务中的表现如何。如果您想计算负类，那么您最终会得到的结果就是您所说的计算真正的负例，而不是计算负例。真实的正面例子。请注意，真正的阳性仅仅意味着正确分类为感兴趣的类别。它与类值无关。

最后，您还可以计算两个类别的精度、召回率和 f1 并取平均值。这一切最终取决于您想要如何判断分类器的性能。如果对负实例进行准确分类更重要，您应该专注于获得负实例的高精度(当然不要搞砸其他类!)召回率也是如此。