Jag undrade om någon kunde förklara skillnaden mellan balanserad noggrannhet som är
b_acc = (sensitivity + specificity)/2 och f1-poäng vilket är:
f1 = 2*precision*recall/(precision + recall) Svar
Matematiskt är b_acc det aritmetiska medelvärdet för recall_P och recall_N och f1 är det harmoniska medelvärdet för recall_P och precision_P.
Både F1 och b_acc är mått för klassificeringsutvärdering, som (till viss del) hanterar klass obalans. Beroende på vilken av de två klasserna (N eller P) som är fler än den andra, överträffar varje mätvärde den andra.
1) Om N >> P är f1 bättre.
2) Om P >> N, b_acc är bättre.
Det är uppenbart att om du kan byta etikett kan båda mätvärdena användas i något av de två obalansfallen ovan. Om inte, kan du, beroende på obalansen i träningsdata, välja lämpligt mått.
Kommentarer
- Tack herr, Har du en referens för information om valet av Fscore vs balanserad noggrannhet i termer av antal positiva / negativa klasser?
- Jag vill sända @gin ' s begäran om mer information om hur man väljer mellan de två. Jag har några uppgifter om att N är cirka 8%. Genom svaret ovan verkar det som om jag borde använda balanserad noggrannhet. Jag ' har letat efter andra referenser om detta val (P > N – > b_acc) men har inte ' inte sett någonting.
- Det här ' gör ingen mening för mig. Balanserad noggrannhet är oförändrad vid byte av etiketter. Hur kan du " göra det bättre " genom att byta etikett om det blir oförändrat?
- @TCProctor Can balanserad noggrannhetsförändring i rang i förhållande till F1 med tanke på etikettomkopplaren?