Я розумію, що f-міра (заснована на точності та відкликання) - це оцінка того, наскільки точним є класифікатор. Крім того, f-міра віддається перевазі точності, коли у нас є неврівноважений набір даних. У мене просте запитання (яке стосується скоріше використання правильної термінології, ніж щодо технології). У мене незбалансований набір даних і я використовую f-мера в своїх експериментах. Я збираюся написати документ, який НЕ для конференції з машинного навчання / обміну даними. Отже, чи можу я в цьому контексті позначити f-вимірювання синонімічно з точністю. Наприклад, у мене f-міра 0,82, то чи можу я сказати, що мій класифікатор досягає 82% точних прогнозів?

Перш за все, я вважаю "точність" іноді трохи оманливою, оскільки це стосується різних речей:

Термін точність в генеральній оцінці систем або методів (я аналітичний хімік) відноситься до упередженості прогнозів, тобто відповідає на питання, наскільки хороші прогнози в середньому.

Як відомо, існує багато різних заходів щодо ефективності, які відповідають різним аспектам продуктивності класифікаторів. Один з них, як називається, і точність. Якщо ваш документ не призначений для аудиторії машинного навчання / класифікації, я рекомендую зробити це розрізнення дуже чітким. Навіть для цього більш конкретного значення точності я б дуже чітко пояснював те, що я називаю точністю, оскільки знову може виникнути кілька способів боротьби з дисбалансом класів. Зазвичай дисбаланс класів ігнорується, що призводить до загальновідомого$\frac{TP+TN}{all~cases}$розрахунок. Однак ви також можете використовувати середнє значення чутливості та специфічності, яке означає контроль дисбалансу класів шляхом зважування вашого середнього.

F-оцінка часто вводяться в якості гармонійного середнього точності і виклику (або позитивної прогностичної цінності та чутливості). Що стосується вашого запитання, я вважаю, що корисно прописати це трохи далі та спростити:

$F = \frac{2 \cdot precision \cdot recall}{precision + recall} = \frac{2 \frac{TP}{all~P} \frac{TP}{all T}}{\frac{TP}{all~P} + \frac{TP}{all T}} = \frac{2 \frac{TP^2}{all~P \cdot all T}}{\frac{TP \cdot all~T}{all~P \cdot all T} + \frac{TP \cdot all~P}{all~P \cdot all T}} = \frac{2~TP^2}{TP \cdot all~T + TP \cdot all~P} = \frac{2~TP}{all~T + all~P}$

Останній вираз не є частиною нічого, що я можу вважати певною групою тестових випадків. Зокрема, очікується (важке) перекриття між справжніми та позитивними випадками. Це не дозволить мені виражати показник F у відсотках, оскільки це передбачає частку випадків. Власне, я думаю, я попередив би читача, що F-бал не має такої інтерпретації.

Швидкий відповідь:

Ні, F-measureформула не складається з TNфактора, і вона корисна при пошуку задач ^(doc) .

Таким чином, це ( F-measure) правильний підхід до оцінки незбалансованих наборів даних або у випадку проблем із пошуком замість accuracyі ROC.

Accuracy = (TP+TN) / (TP+FP+FN+TN)

F1_Score = 2*(Recall * Precision) / (Recall + Precision)
# or
F1_Score = 2*TP / (2*TP + FP + FN)

[ ПРИМІТКА ]:

Precision = TP / (TP+FP)

Recall = TP / (TP+FN)