ฉันสงสัยว่าใครสามารถอธิบายความแตกต่างระหว่างความแม่นยำที่สมดุลซึ่งก็คือ
b_acc = (sensitivity + specificity)/2
และ f1 คะแนนซึ่งคือ:
f1 = 2*precision*recall/(precision + recall)
ฉันสงสัยว่าใครสามารถอธิบายความแตกต่างระหว่างความแม่นยำที่สมดุลซึ่งก็คือ
b_acc = (sensitivity + specificity)/2
และ f1 คะแนนซึ่งคือ:
f1 = 2*precision*recall/(precision + recall)
คำตอบ:
ในเชิงคณิตศาสตร์ b_acc เป็นค่าเฉลี่ยเลขคณิตของการเรียกคืน _ และการเรียกคืน _ และ f1 เป็นค่าเฉลี่ยฮาร์มอนิกของการเรียกคืน
ทั้ง F1 และ b_acc เป็นตัวชี้วัดสำหรับการประเมินลักษณนามซึ่งจัดการความไม่สมดุลของคลาส ขึ้นอยู่กับว่าทั้งสองคลาสใด (N หรือ P) มีจำนวนใดที่เหนือกว่าตัวชี้วัดแต่ละตัวจะมีประสิทธิภาพเหนือกว่าตัวอื่น ๆ
1) ถ้า N >> P, f1 ดีกว่า
2) ถ้า P >> N, b_acc ดีกว่า
เห็นได้ชัดว่าหากคุณสามารถสลับป้ายกำกับตัวชี้วัดทั้งสองสามารถใช้ในกรณีที่มีความไม่สมดุลสองกรณีข้างต้น ถ้าไม่เช่นนั้นขึ้นอยู่กับความไม่สมดุลในข้อมูลการฝึกอบรมคุณสามารถเลือกการวัดที่เหมาะสม