Mietin, voisiko joku selittää eron tasapainotetun tarkkuuden välillä, joka on
b_acc = (sensitivity + specificity)/2 ja f1-pisteet, jotka ovat:
f1 = 2*precision*recall/(precision + recall) Vastaa
Matemaattisesti b_acc on palautuksen_P ja muistin_n aritmeettinen keskiarvo ja f1 on muistin_P ja tarkkuuden_P harmoninen keskiarvo.
Sekä F1 että b_acc ovat luokittelun arvioinnin mittareita, jotka (jossain määrin) käsittelevät luokkaa epätasapaino. Riippuen siitä, kumpi luokista (N tai P) ylittää toisen, kukin metriikka on muita parempi.
1) Jos N >> P, f1 on parempi.
2) Jos P >> N, b_acc on parempi.
On selvää, että jos voit vaihtaa tunnisteita, molempia mittareita voidaan käyttää missä tahansa kahdesta yllä olevasta epätasapainotapauksesta. Jos ei, niin harjoitustietojen epätasapainosta riippuen voit valita sopivan mittarin.
Kommentit
- Kiitos sir, onko sinulla viite tietoihin Fscore vs. tasapainoinen tarkkuus positiivisten / negatiivisten luokkien lukumäärän suhteen?
- Haluaisin lähettää @gin ' -pyynnön lisätietoja näiden kahden valitsemisesta. Minulla on joitain tietoja siitä, että missä N on noin 8%. Yllä olevalla vastauksella näyttää siltä, että minun pitäisi käyttää tasapainotettua tarkkuutta. Olen ' etsinyt muita viitteitä tästä valinnasta (P > N – > b_acc), mutta et ole ' nähnyt mitään.
- Tällä ei ole minulle mitään merkitystä '. Tasapainotettu tarkkuus on muuttumaton tarran vaihdon yhteydessä. Kuinka voit " tehdä siitä paremman " vaihtamalla tunnisteita, jos se ei muutu?
- @TCProctor Can tasapainoinen tarkkuuden muutos rankassa suhteessa F1: een, kun etiketin vaihto on?