Eu queria saber se alguém poderia explicar a diferença entre a precisão balanceada que é
b_acc = (sensitivity + specificity)/2 e pontuação f1 que é:
f1 = 2*precision*recall/(precision + recall) Resposta
Matematicamente, b_acc é a média aritmética de recall_P e recall_N e f1 é a média harmônica de recall_P e precision_P.
Ambos F1 e b_acc são métricas para avaliação do classificador, que (até certo ponto) lidam com a classe desequilíbrio. Dependendo de qual das duas classes (N ou P) supera a outra, cada métrica supera a outra.
1) Se N >> P, f1 é melhor.
2) Se P >> N, b_acc é melhor.
Claramente, se você pode mudar de rótulo, ambas as métricas podem ser usadas em qualquer um dos dois casos de desequilíbrio acima. Caso contrário, dependendo do desequilíbrio nos dados de treinamento, você pode selecionar a métrica apropriada.
Comentários
- Obrigado, senhor, uma referência para as informações sobre a escolha de Fscore vs precisão balanceada em termos de número de classes positivas / negativas?
- Eu gostaria de seguir a solicitação de @gin ' mais informações sobre como escolher entre os dois. Tenho alguns dados onde o N é cerca de 8%. Pela resposta acima, parece que eu deveria usar o Balanced Accuracy. Eu ' estive procurando outras referências sobre esta escolha (P > N – > b_acc) mas não ' não vi nada.
- Isso não ' não faz nenhum sentido para mim. A precisão balanceada é invariável na troca de rótulos. Como você pode " torná-lo melhor " trocando o rótulo se não for alterado?
- @TCProctor pode mudança de precisão equilibrada na classificação em relação a F1 dada a mudança de rótulo?