Kombinera precision och återkallelse Vi använder det harmoniska medelvärdet istället för ett enkelt medelvärde eftersom det straffar extrema värden. … F1-poängen ger lika stor vikt åt båda måtten och är ett specifikt exempel på det allmänna Fβ-måttet där β kan justeras för att ge större vikt åt antingen återkallande eller precision.
Varför använda det harmoniska medelvärdet?
Det harmoniska medelvärdet hjälper till att hitta multiplikativa eller divisorsamband mellan bråk utan att behöva oroa sig för gemensamma nämnare. Harmoniska medel används ofta för att beräkna medelvärden för saker som priser (t.ex. den genomsnittliga reshastigheten givet en längd på flera resor).
Hur beräknas F1-poäng?
F1-poängen är 2((precisionrecall)/(precision+recall)). Det kallas också för F-poäng eller F-mått. Med andra ord, F1-poängen förmedlar balansen mellan precision och återkallelse.
Vad anses vara ett bra F1-resultat?
Det vill säga, en bra F1-poäng betyder att du har låga falska positiva och låga falska negativa, så att du identifierar verkliga hot korrekt och att du inte störs av falska larm. En F1-poäng anses perfekt när den är 1, medan modellen är ett tot alt misslyckande när det är 0.
Vad betyder F1-poäng?
F1-poängen är ett mått som används för att bedöma kvaliteten på binära klassificeringsproblem såväl som problem med flera binära etiketter eller flera klasser. F1-poäng=1 är bästvärde (perfekt precision och återkallelse), och det sämsta värdet är 0,
