前面介紹了機器學習中分類模型的精確率(Precision)和召回率(Recall)評估指標。對于Precision和Recall，雖然從計算公式來看，并沒有什么必然的相關性關系，但是，在大規模數據集合中，這2個指標往往是相互制約的。理想情況下做到兩個指標都高當然最好，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。

所以，很多時候我們需要綜合權衡這2個指標，這就引出了一個新的指標F-score。這是綜合考慮Precision和Recall的調和值。

F?Score=(1+β2)?Precision?Recallβ2?Precision+Recall

當β=1時，稱為F1-score，這時，精確率和召回率都很重要，權重相同。當有些情況下，我們認為精確率更重要些，那就調整β的值小于1，如果我們認為召回率更重要些，那就調整β的值大于1。

舉個例子：癌癥檢查數據樣本有10000個，其中10個數據祥本是有癌癥，其它是無癌癥。假設分類模型在無癌癥數據9990中預測正確了9980個，在10個癌癥數據中預測正確了9個，此時真陽=9，真陰=9980，假陽=10，假陰=1。

那么：
Accuracy = (9+9980) /10000=99.89%
Precision=9/19+10)= 47.36%
F1-score=2×(47.36% × 90%)/(1×47.36%+90%)=62.07%
F2-score=5× (47.36% × 90%)/(4×47.36%+90%)=76. 27%

總結

以上是生活随笔為你收集整理的分类模型的评估方法-F分数(F-Score)的全部內容，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站內容還不錯，歡迎將生活随笔推薦給好友。