【漫话机器学习系列】056.F1值（F1 score）

原创已于 2025-01-20 09:37:19 修改 · 2k 阅读

5 ·

CC 4.0 BY-SA版权

文章标签：

#机器学习 #人工智能 #算法

于 2025-01-20 09:33:38 首次发布

漫话机器学习系列专辑专栏收录该内容

277 篇文章

订阅专栏

F1值（F1 Score）

定义

F1值是机器学习中一种用于评估模型性能的指标，特别适合用于 不平衡数据集 的分类任务。它是 精确率（Precision） 和 召回率（Recall） 的调和平均值。通过综合考虑精确率和召回率，F1值能够衡量模型在样本分类中的整体表现。

公式

F1值的计算公式为：

$F1 = 2 \cdot \frac{\text{Precision} \cdot \text{Recall}}{\text{Precision} + \text{Recall}}$

其中：

精确率（Precision）：
$Precision = \frac{\text{TP}}{\text{TP} + \text{FP}}$
反映模型预测为正例的样本中，实际为正例的比例。
召回率（Recall）：
$Recall = \frac{\text{TP}}{\text{TP} + \text{FN}}$
表示实际为正例的样本中，被正确预测为正例的比例。

参数说明：

TP（True Positive）：真正例，模型正确预测为正例的样本数量。
FP（False Positive）：假正例，模型错误预测为正例的样本数量。
FN（False Negative）：假负例，模型错误预测为负例的样本数量。

性质

F1值的取值范围在 [0, 1] 之间。
- F1值越接近1，模型性能越好。
- F1值为0表示模型完全错误。
它在精确率和召回率之间取得平衡，特别适合用于精确率和召回率权重相等的场景。

优点

适合不平衡数据：
- 在正负样本分布不均衡时，单独使用准确率（Accuracy）可能会掩盖模型性能问题，而F1值能更全面反映模型质量。
综合性能评估：
- 考虑了分类器在减少假正例和假负例方面的权衡。

缺点

未区分错误代价：
- 假正例（FP）和假负例（FN）的代价可能不同，但F1值未对此进行区分。
无法单独使用：
- 在某些特定任务中可能需要结合其他指标（如ROC-AUC）来进行全面评估。

应用场景

不平衡数据集：
- 如垃圾邮件检测、欺诈检测、疾病预测等。
需要均衡精确率和召回率的任务：
- 如模型需要在避免漏报和误报之间取得平衡时。

Python示例代码

from sklearn.metrics import f1_score

# 示例数据
y_true = [0, 1, 1, 1, 0, 1, 0, 0, 1, 1]  # 实际标签
y_pred = [0, 1, 1, 0, 0, 1, 0, 1, 1, 1]  # 预测标签

# 计算F1值
f1 = f1_score(y_true, y_pred)

print("F1值:", f1)

运行结果