Збалансована точність та оцінка F-1

Мені було цікаво, чи може хтось пояснити різницю між врівноваженою точністю, яка є

b_acc = (sensitivity + specificity)/2

та оцінка f1, яка становить:

f1 = 2*precision*recall/(precision + recall)

unbalanced-classes

— dvreed77
джерело

Математично b_acc - це середнє арифметичне відкликання_P, а вимикання_N і f1 - середнє гармонічне значення відкликання_Р та точність_П.

І F1, і b_acc - це показники для оцінки класифікатора, які (певною мірою) обробляють дисбаланс класів. Залежно від того, який із двох класів (N або P) перевищує інший, кожен показник перевершує інший.

1) Якщо N >> P, f1 - краща.

2) Якщо P >> N, b_acc краще.

Зрозуміло, що якщо ви можете встановити мітку-перемикач, обидві показники можна використовувати в будь-якому з двох вищевказаних випадків дисбалансу. Якщо ні, то залежно від дисбалансу в даних про навчання, ви можете вибрати відповідний показник.

— Шашват
джерело

Дякую, сер. Чи є у вас посилання на інформацію щодо вибору Fscore vs збалансованої точності з точки зору кількості позитивних / негативних класів?

— джин

Я хотів би другий запит @ gin отримати додаткову інформацію про те, як вибрати між ними. У мене є деякі дані про те, що де N становить близько 8%. Відповідаючи вище, схоже, я повинен використовувати врівноважену точність. Я шукав інші посилання на цей вибір (P> N -> b_acc), але нічого не бачив.

— anguyen1210

Це не має для мене сенсу. Збалансована точність є інваріантною при перемиканні міток. Як ви можете "зробити це краще", перемикаючи мітку, якщо вона буде незмінною?

— TC Proctor