F1值（F1 Score）

定義

F1值是機器學習中一種用于評估模型性能的指標，特別適合用于 不平衡數據集 的分類任務。它是 精確率（Precision） 和 召回率（Recall） 的調和平均值。通過綜合考慮精確率和召回率，F1值能夠衡量模型在樣本分類中的整體表現。

---

公式

F1值的計算公式為：

其中：

• 精確率（Precision）：

  

  反映模型預測為正例的樣本中，實際為正例的比例。

• 召回率（Recall）：

  

  表示實際為正例的樣本中，被正確預測為正例的比例。

參數說明：

• TP（True Positive）：真正例，模型正確預測為正例的樣本數量。
• FP（False Positive）：假正例，模型錯誤預測為正例的樣本數量。
• FN（False Negative）：假負例，模型錯誤預測為負例的樣本數量。

---

性質

1. F1值的取值范圍在 [0, 1] 之間。
   • F1值越接近1，模型性能越好。
   • F1值為0表示模型完全錯誤。
2. 它在精確率和召回率之間取得平衡，特別適合用于精確率和召回率權重相等的場景。

---

優點

1. 適合不平衡數據：
   • 在正負樣本分布不均衡時，單獨使用準確率（Accuracy）可能會掩蓋模型性能問題，而F1值能更全面反映模型質量。
2. 綜合性能評估：
   • 考慮了分類器在減少假正例和假負例方面的權衡。

---

缺點

1. 未區分錯誤代價：
   • 假正例（FP）和假負例（FN）的代價可能不同，但F1值未對此進行區分。
2. 無法單獨使用：
   • 在某些特定任務中可能需要結合其他指標（如ROC-AUC）來進行全面評估。

---

應用場景

• 不平衡數據集：
  • 如垃圾郵件檢測、欺詐檢測、疾病預測等。
• 需要均衡精確率和召回率的任務：
  • 如模型需要在避免漏報和誤報之間取得平衡時。

---

Python示例代碼

from sklearn.metrics import f1_score# 示例數據
y_true = [0, 1, 1, 1, 0, 1, 0, 0, 1, 1]  # 實際標簽
y_pred = [0, 1, 1, 0, 0, 1, 0, 1, 1, 1]  # 預測標簽# 計算F1值
f1 = f1_score(y_true, y_pred)print("F1值:", f1)

運行結果

F1值: 0.8333333333333334

---

F1值與其他指標的關系

• 準確率（Accuracy）：

  

  • 更關注總體正確率，適合樣本分布均衡的數據。
• 精確率與召回率：
  • F1值結合了精確率和召回率的優點，避免僅關注一方的缺點。

---

總結

F1值是一種綜合考慮精確率和召回率的性能指標，在不平衡數據中尤為重要。它幫助我們評估模型在正負樣本分類上的權衡能力，能夠為優化分類器提供有力的指導。