F1分?jǐn)?shù)（F1 Score），是統(tǒng)計學(xué)中用來衡量二分類模型精確度的一種指標(biāo)。它同時兼顧了分類模型的精確率和召回率。F1分?jǐn)?shù)可以看作是模型精確率和召回率的一種加權(quán)平均，它的最大值是1，最小值是0。

1. TP、TN、FP、FN解釋說明

真實情況	預(yù)測結(jié)果
	正例	反例
正例	TP（真正例）	FN（假反例）
反例	FP（假正例）	TN（真反例）

• 行表示預(yù)測的label值，列表示真實label值
• TP：True Positive, 被判定為正樣本，事實上也是正樣本。
• FP：False Positive,被判定為正樣本，但事實上是負(fù)樣本。
• TN：True Negative, 被判定為負(fù)樣本，事實上也是負(fù)樣本。
• FN：False Negative,被判定為負(fù)樣本，但事實上是正樣本。

2. precision 和 recall 的計算

• Accuracy：表示預(yù)測結(jié)果的精確度，預(yù)測正確的樣本數(shù)除以總樣本數(shù)。
• precision: 準(zhǔn)確率，又稱為查準(zhǔn)率，表示預(yù)測結(jié)果中，預(yù)測為正樣本的樣本中，正確預(yù)測為正樣本的概率；
• recall: 召回率，又稱為查全率，表示在原始樣本的正樣本中，最后被正確預(yù)測為正樣本的概率；

3. 分類模型的評估方法-F分?jǐn)?shù)(F-Score)

精確率(Precision)和召回率(Recall)評估指標(biāo),理想情況下做到兩個指標(biāo)都高當(dāng)然最好，但一般情況下，Precision高，Recall就低，Recall高，Precision就低。

4. P-R曲線、平均精度（Average-Precision，AP）

P-R圖直觀地顯示出學(xué)習(xí)器在樣本總體上的查全率、查準(zhǔn)率．總體趨勢，精度越高，召回越低，進(jìn)行比較

• 若一個學(xué)習(xí)器的P-R曲線被另一個學(xué)習(xí)器的曲線完全“包住”，則可斷言后者的性能優(yōu)于前者，如圖中學(xué)習(xí)器A的性能優(yōu)于學(xué)習(xí)器C；
• 如果兩個學(xué)習(xí)器的P-R曲線發(fā)生了交叉,如圖中的A與B，則難以一般性地斷言兩者孰優(yōu)孰劣？ 只能在具體的查準(zhǔn)率或查全率條件下進(jìn)行比較．

“平衡點”（Break Event Point，簡稱BEP ）就是這樣一個度量，它是“查準(zhǔn)率＝查全率”時的取值， 如圖中學(xué)習(xí)器C的BEP 是0.64， 而基于BEP的比較，可認(rèn)為學(xué)習(xí)器A 優(yōu)于B.

但BEP 還是過于簡化了些，更常用的是Fl 度量

5. 分類模型的評估方法-F分?jǐn)?shù)(F-Score)

精確率(Precision)和召回率(Recall)評估指標(biāo),理想情況下做到兩個指標(biāo)都高當(dāng)然最好，但一般情況下，Precision高，Recall就低，Recall高，Precision就低。

所以在實際中常常需要根據(jù)具體情況做出取舍，例如一般的搜索情況，在保證召回率的條件下，盡量提升精確率。而像癌癥檢測、地震檢測、金融欺詐等，則在保證精確率的條件下，盡量提升召回率。引出了一個新的指標(biāo)F-score,綜合考慮Precision和Recall的調(diào)和值.

• 當(dāng)β=1時，稱為F1-score或者F1-Measure，這時，精確率和召回率都很重要，權(quán)重相同。
• 當(dāng)有些情況下，我們認(rèn)為精確率更重要些，那就調(diào)整β的值小于1，
• 如果我們認(rèn)為召回率更重要些，那就調(diào)整β的值大于1。

F1指標(biāo)（F1-score）:F1-score表示的是precision和recall的調(diào)和平均評估指標(biāo)。

舉個例子：癌癥檢查數(shù)據(jù)樣本有10000個，其中10個數(shù)據(jù)祥本是有癌癥，其它是無癌癥。假設(shè)分類模型在無癌癥數(shù)據(jù)9990中預(yù)測正確了9980個，在10個癌癥數(shù)據(jù)中預(yù)測正確了9個，此時真陽=9，真陰=9980，假陽=10，假陰=1。

Accuracy= 99.89%

Precision = 47.3%

Recall = 90%

F1-Scoce = 62%

F2-Score = 76.2%

本文部分內(nèi)容來自一位前輩，非常感謝分享！謝謝！

總結(jié)

以上是生活随笔為你收集整理的f1 score计算_F1值(Formula)的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯，歡迎將生活随笔推薦給好友。