Mă întrebam dacă cineva poate explica diferența dintre precizia echilibrată care este
b_acc = (sensitivity + specificity)/2 și scorul f1 care este:
f1 = 2*precision*recall/(precision + recall) Răspuns
Matematic, b_acc este media aritmetică a recall_P și recall_N și f1 este media armonică a recall_P și precision_P.
Atât F1 cât și b_acc sunt valori pentru evaluarea clasificatorului, care (într-o anumită măsură) gestionează clasa dezechilibru. În funcție de care dintre cele două clase (N sau P) este mai mare decât cealaltă, fiecare valoare este mai mare decât cealaltă.
1) Dacă N >> P, f1 este mai bun.
2) Dacă P >> N, b_acc este mai bun.
În mod clar, dacă puteți schimba eticheta, ambele valori pot fi utilizate în oricare dintre cele două cazuri de dezechilibru de mai sus. Dacă nu, atunci în funcție de dezechilibrul din datele de antrenament, puteți selecta valoarea corespunzătoare.
Comentarii
- Vă mulțumim domnule, aveți o referință pentru informațiile referitoare la alegerea Fscore vs precizie echilibrată în ceea ce privește numărul de clase pozitive / negative?
- Aș dori să solicitez @gin ' cererea pentru mai multe informații despre cum să alegeți între cele două. Am câteva date care arată că N este de aproximativ 8%. Prin răspunsul de mai sus, se pare că ar trebui să folosesc Precizia echilibrată. Am ' căutat alte referințe pentru această alegere (P > N – > b_acc) dar ' nu am văzut nimic.
- Acest lucru nu are ' pentru mine niciun sens. Precizia echilibrată este invariantă sub comutarea etichetelor. Cum îl poți " îmbunătăți " prin comutarea etichetei dacă va fi neschimbat?
- @TCProctor Can schimbare de precizie echilibrată în rang față de F1, având în vedere comutatorul de etichetă?