ฉันเข้าใจว่า f- การวัด (ตามความแม่นยำและการเรียกคืน) เป็นค่าประมาณความแม่นยำของตัวจําแนก นอกจากนี้f-measure ยังได้รับความนิยมมากกว่าความถูกต้องเมื่อเรามีชุดข้อมูลที่ไม่สมดุล ฉันมีคำถามง่าย ๆ (ซึ่งเกี่ยวกับการใช้คำศัพท์ที่ถูกต้องมากกว่าเกี่ยวกับเทคโนโลยี) ฉันมีชุดข้อมูลที่ไม่สมดุลและฉันใช้การวัดแบบ f ในการทดลองของฉัน ฉันกำลังจะเขียนกระดาษซึ่งไม่ใช่สำหรับการเรียนรู้ด้วยเครื่องจักร / การประชุมการทำเหมืองข้อมูล ดังนั้นฉันสามารถอ้างถึงการวัดค่า f เหมือนกันกับความถูกต้องในบริบทนี้ ยกตัวอย่างเช่นฉันมี f- วัด 0.82 แล้วฉันจะบอกได้ว่าลักษณนามของฉันบรรลุการทำนายที่แม่นยำ 82%

ก่อนอื่นฉันพบว่า "ความแม่นยำ" บางครั้งอาจทำให้เข้าใจผิดเล็กน้อยเนื่องจากมันอ้างถึงสิ่งที่แตกต่าง:

ความถูกต้องของคำในยีนสำหรับการประเมินระบบหรือวิธีการ (ฉันวิเคราะห์เชิงเคมี) หมายถึงอคติของการทำนายนั่นคือตอบคำถามที่การคาดคะเนที่ดีนั้นโดยเฉลี่ย

ดังที่คุณทราบมีการวัดประสิทธิภาพที่แตกต่างกันมากมายซึ่งตอบสนองแง่มุมต่าง ๆ ของประสิทธิภาพสำหรับตัวแยกประเภท หนึ่งในนั้นเกิดขึ้นเรียกว่าความแม่นยำเช่นกัน หากกระดาษของคุณไม่เหมาะสำหรับการเรียนรู้ / การจัดหมวดหมู่ของเครื่องฉันขอแนะนำให้แยกความแตกต่างนี้อย่างชัดเจน แม้สำหรับความหมายที่เฉพาะเจาะจงมากขึ้นของความถูกต้องฉันก็จะชัดเจนมากในสิ่งที่ฉันเรียกความถูกต้องเป็นอีกหลายวิธีในการจัดการกับความไม่สมดุลระดับอาจเกิดขึ้น โดยทั่วไปแล้วความไม่สมดุลของคลาสจะถูกละเว้นซึ่งนำไปสู่การรู้จักกันดี$\frac{TP+TN}{all~cases}$การคำนวณ อย่างไรก็ตามคุณอาจใช้ค่าเฉลี่ยของความไวและความเฉพาะเจาะจงซึ่งเป็นจำนวนเงินในการควบคุมความไม่สมดุลของคลาสโดยการถ่วงน้ำหนักค่าเฉลี่ยของคุณ

F-คะแนนมักจะถูกนำมาเป็นค่าเฉลี่ยฮาร์โมนิของความแม่นยำและการเรียกคืน (หรือค่าพยากรณ์บวกและความไว) สำหรับคำถามของคุณฉันคิดว่ามันมีประโยชน์ในการสะกดคำนี้ออกไปอีกเล็กน้อยและทำให้มันง่ายขึ้น:

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

การแสดงออกครั้งสุดท้ายไม่ใช่เศษเสี้ยวของสิ่งใดที่ฉันสามารถนึกได้ว่าเป็นกรณีทดสอบบางกลุ่ม โดยเฉพาะอย่างยิ่งจะมีการทับซ้อน (หนัก) ระหว่าง TRUE และเคสเป็นบวก สิ่งนี้จะป้องกันไม่ให้ฉันแสดงคะแนน F เป็นเปอร์เซ็นต์ตามประเภทของคดี ที่จริงฉันคิดว่าฉันเตือนผู้อ่านว่าคะแนน F ไม่มีการตีความเช่นนี้

คำตอบที่รวดเร็ว:

ไม่มีF-measureสูตรไม่ประกอบด้วยTNปัจจัยและมันก็เป็นประโยชน์ในการดึงปัญหา(doc)

ดังนั้นมันเป็น ( F-measure) แนวทางที่ถูกต้องในการประเมินชุดข้อมูลขาดดุลหรือในกรณีปัญหาการดึงแทนและaccuracyROC

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

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

[ หมายเหตุ ]:

Precision = TP / (TP+FP)

Recall = TP / (TP+FN)