机器学习 - 模型性能评估

F1度量

F1度量是用于评估分类模型性能的一个综合指标,它同时考虑了查准率(Precision, P)和查全率(Recall, R)。F1度量的公式如下:

F 1 = 2 × P × R P + R F1 = \frac{2 \times P \times R}{P + R} F1=P+R2×P×R

其中,查准率和查全率的定义分别是:

  • 查准率(P): P = T P T P + F P P = \frac{TP}{TP + FP} P=TP+FPTP
  • 查全率(R): R = T P T P + F N R = \frac{TP}{TP + FN} R=TP+FNTP

其中,TP(True Positive)是真正例,FP(False Positive)是假正例,FN(False Negative)是假负例。

F1度量也可以写成:

F 1 = 2 × T P 样例总数 + T P − T N F1 = \frac{2 \times TP}{\text{样例总数} + TP - TN} F1=样例总数+TP−TN2×TP

在右上角,还给出了F1的倒数形式:

1 F 1 = 1 2 ( 1 P + 1 R ) \frac{1}{F1} = \frac{1}{2} \left( \frac{1}{P} + \frac{1}{R} \right) F11=21(P1+R1)

加权F度量(Fβ)

如果我们对查准率和查全率有不同的偏好,可以使用加权F度量(Fβ),其中β是一个权重参数。Fβ的公式为:

F β = ( 1 + β 2 ) × P × R ( β 2 × P ) + R F_{\beta} = \frac{(1 + \beta^2) \times P \times R}{(\beta^2 \times P) + R} Fβ=(β2×P)+R(1+β2)×P×R

其中,β的值决定了查准率和查全率的权重:

  • 当β > 1时,查全率的权重更大。
  • 当β < 1时,查准率的权重更大。

在图片中,还给出了Fβ的倒数形式:

1 F β = 1 1 + β 2 ( 1 P + β 2 R ) \frac{1}{F_{\beta}} = \frac{1}{1 + \beta^2} \left( \frac{1}{P} + \frac{\beta^2}{R} \right) Fβ1=1+β21(P1+Rβ2)

这个公式可以帮助我们理解在不同的β值下,查准率和查全率对Fβ的贡献。

总结:

  • F1度量 是查准率和查全率的调和平均。
  • 加权F度量(Fβ) 允许我们对查准率和查全率给予不同的权重。
相关推荐
倔强青铜三5 分钟前
苦练Python第23天:元组秘籍与妙用
人工智能·python·面试
Teacher.chenchong33 分钟前
现代R语言机器学习:Tidymodel/Tidyverse语法+回归/树模型/集成学习/SVM/深度学习/降维/聚类分类与科研绘图可视化
机器学习·回归·r语言
AndrewHZ36 分钟前
【图像处理基石】如何入门色彩评估?
图像处理·人工智能·深度学习·色彩科学·hvs·色彩评估·颜色工程
TomatoSCI36 分钟前
聚类的可视化选择:PCA / t-SNE丨TomatoSCI分析日记
人工智能·机器学习
大咖分享课38 分钟前
深度剖析:最新发布的ChatGPT Agent 技术架构与应用场景
人工智能·openai·智能助手·ai代理·chatgpt agent·自主任务执行
lucky_lyovo1 小时前
卷积神经网络--网络性能提升
人工智能·神经网络·cnn
liliangcsdn1 小时前
smolagents - 如何在mac用agents做简单算术题
人工智能·macos·prompt
nju_spy1 小时前
周志华《机器学习导论》第8章 集成学习 Ensemble Learning
人工智能·随机森林·机器学习·集成学习·boosting·bagging·南京大学
星座5281 小时前
基于现代R语言【Tidyverse、Tidymodel】的机器学习方法与案例分析
机器学习·r语言·tidyverse·tidymodel
静心问道1 小时前
TrOCR: 基于Transformer的光学字符识别方法,使用预训练模型
人工智能·深度学习·transformer·多模态