LLM(大语言模型)常用评测指标之F1-Score

F1-Score

F1-Score 是一种常用于评估分类模型性能的指标,特别是在数据不平衡的情况下。它是精确度 (Precision) 和召回率 (Recall) 的调和平均值,用于衡量模型对正类的预测能力。

计算方法

  1. 精确度 (Precision) :是指正确预测为正类的数量与所有预测为正类的数量之比。它反映了模型预测正类的准确性。
    P r e c i s i o n = T P T P + F P Precision = \frac{TP}{TP + FP} Precision=TP+FPTP

    其中,TP (True Positives) 是真正类的数量,FP (False Positives) 是假正类的数量。

  2. 召回率 (Recall) :是指正确预测为正类的数量与实际正类的数量之比。它反映了模型找出正类的能力。
    R e c a l l = T P T P + F N Recall = \frac{TP}{TP + FN} Recall=TP+FNTP

    其中,FN (False Negatives) 是假负类的数量。

  3. F1-Score :是精确度和召回率的调和平均值,用于平衡精确度和召回率。
    F 1 = 2 × P r e c i s i o n × R e c a l l P r e c i s i o n + R e c a l l F1 = 2 \times \frac{Precision \times Recall}{Precision + Recall} F1=2×Precision+RecallPrecision×Recall

应用场景

F1-Score 通常用于评估分类模型,尤其是在正负类样本不平衡的情况下。它帮助衡量模型对少数类的预测能力,因此在医学诊断、欺诈检测、文本分类等领域被广泛使用。

示例

假设一个二分类模型的混淆矩阵如下:

预测正类 预测负类
实际正类 TP = 80 FN = 20
实际负类 FP = 30 TN = 70
  • 精确度 (Precision) = 80 / (80 + 30) = 0.727
  • 召回率 (Recall) = 80 / (80 + 20) = 0.8
  • F1-Score = 2 * (0.727 * 0.8) / (0.727 + 0.8) = 0.761

因此,该模型的 F1-Score 为 0.761,反映了模型在平衡精确度和召回率方面的性能。

相关推荐
lilye668 分钟前
程序化广告行业(39/89):广告投放的数据分析与优化秘籍
大数据·人工智能·数据分析
欧雷殿9 分钟前
再谈愚蠢的「八股文」面试
前端·人工智能·面试
修复bug1 小时前
trae.ai 编辑器:前端开发者的智能效率革命
人工智能·编辑器·aigc
掘金安东尼1 小时前
为什么GPT-4o可以生成吉卜力风格照片,原理是什么?
人工智能
励志成为大佬的小杨1 小时前
pytorch模型的进阶训练和性能优化
人工智能·pytorch·python
舔甜歌姬的EGUMI LEGACY1 小时前
【算法day28】解数独——编写一个程序,通过填充空格来解决数独问题
算法
知舟不叙1 小时前
OpenCV的基础操作
人工智能·opencv·计算机视觉
welkin2 小时前
KMP 个人理解
前端·算法
半桔2 小时前
红黑树剖析
c语言·开发语言·数据结构·c++·后端·算法
果冻人工智能2 小时前
打造 AI Agent 对于中产阶级来说就是场噩梦
人工智能