兴趣指标分数 F1是合适的指标吗?那么F2 F3…F_beta呢?

兴趣指标分数 F1是合适的指标吗?那么F2 F3…F_beta呢?

使用 F1 分数进行二元分类测量是很常见的。这就是所谓的调和平均数。但是，更通用的评分标准可能会更好地评估模型性能。 F2和F3呢？在本文中，我们将回顾 F 指标。

简介

根据许多数据科学家的说法，模型性能最可靠的衡量标准是准确性。但模型指标不止一个，还有很多其他的指标。例如兴趣指标分数，准确率可能很高，但假阴性也很高。另一个关键指标是当今机器学习中常用的 F 指数，用于评估模型性能。它按比例结合了精度和召回率。在本文中，我们探索了表明两者之间不平衡的不同方法。

混淆矩阵、准确率和召回率

混淆矩阵总结了 ML 中监督学习算法的性能。它提供了比一般精度测量更详细的分析兴趣指标分数，因此更有益。在混淆矩阵中，每一行代表预测类中的一个实例兴趣指标分数，每一列代表实际类中的一个实例。简化的混淆矩阵包含两行两列，如前所述，其中：

我们定义了两个重要指标：准确度：TP 样本数除以所有 P 样本（真和假），召回率：TP 样本数除以 (TP+FN)。

因为这两个措施非常重要，所以需要一个措施来将两者结合起来。因此，提出了精确率和召回率的调和平均值，也称为F1分数。

F1 分数

计算方法如下：

F1 分数的主要优点（也是缺点）是召回率与准确率一样重要。在许多应用中，情况并非如此，应该使用一些权重来打破这种平衡假设。这种平衡假设可能适用于数据分布不均的情况，例如大量正负数据。

F2 和 F3 分数

使用加权平均，我们可以很容易地得到 F2 分数：

同理，F3 得分为：

得分

推广加权平均法得到的F beta测量结果为：

这种方法允许我们定义召回率比精确率更重要的程度。使用 F beta 指标非常简单，请查看以下示例：

>>> from sklearn.metrics import fbeta_score 
>>> y_true = [0, 1, 2, 0, 1, 2] 
>>> y_pred = [0, 2, 1, 0, 0, 1] 
>>> fbeta_score(y_true, y_pred, average='macro', beta=0.5) 
0.23... 
>>> fbeta_score(y_true, y_pred, average='micro', beta=0.5) 
0.33... 
>>> fbeta_score(y_true, y_pred, average='weighted', beta=0.5) 
0.23... 
>>> fbeta_score(y_true, y_pred, average=None, beta=0.5) 
array([0.71..., 0.        , 0.        ])

总结

在本文中，我回顾了 F 指标。希望提供的数据可以帮助到那些处理分类任务的人，帮助他们在使用准确率的同时使用F分数。

以下是·的文档，有兴趣的可以详细阅读：////...html?=f%#..

Tags：兴趣指标分数