Technologieaustausch

한어Русский языкEnglishFrançaisIndonesianSanskrit日本語DeutschPortuguêsΕλληνικάespañolItalianoSuomalainenLatina

Der F1-Score ist ein Indikator, der die Leistung eines Klassifizierungsmodells misst. Er eignet sich besonders für die Verarbeitung extrem unausgeglichener Datensätze. Der Wert des F1-Scores liegt zwischen 0 und 1. Je größer der Wert, desto besser die Leistung.
Berechnungsformel:
Der F1-Score ist das harmonische Mittel für Präzision und Erinnerung.
$\ast \ast F1Punktzahl=2\times \frac{PEmpf.ichchchchchchchchchchchchSichchchchchchchchchchchchÖN\times RecAll}{PEmpf.ichchchchchchchchchchchchSichchchchchchchchchchchchÖN+RecAll}\ast \ast$
Was sind also Präzision und Rückruf?
Präzision: Der Anteil der vom Modell als positiv vorhergesagten Proben, die tatsächlich positiv sind.
Rückruf (Rückrufrate): Der Anteil der Stichproben, die tatsächlich zur positiven Klasse gehören und vom Modell korrekt als positive Klasse vorhergesagt werden.
Berechnet wie folgt:
$PEmpf.ichchchchchchchchchchchchSichchchchchchchchchchchchÖN=\frac{TP}{TP+FP}$
$RecAll=\frac{TP}{TP+FN}$
Z.B:

Was ist TP? FP? FN？
TP (True Positive): Das Modell sagt eine positive Klasse voraus und es handelt sich tatsächlich um eine positive Klasse. Es gibt zwei Beispiele.
FP (False Positive): Das Modell sagt eine positive Klasse voraus, in Wirklichkeit handelt es sich jedoch um eine negative Klasse. Es gibt 1 Beispiele.
FN (False Negative): Das Modell sagt eine negative Klasse voraus, es handelt sich jedoch tatsächlich um eine positive Klasse. Hier gibt es 1.
$PEmpf.ichchchchchchchchchchchchSichchchchchchchchchchchchÖN=\frac{TP}{TP+FP}=\frac{2}{2+1}=0.67$
$RecAll=\frac{TP}{TP+FN}=\frac{2}{2+1}=0.67$
$F1Punktzahl=2\times \frac{PEmpf.ichchchchchchchchchchchchSichchchchchchchchchchchchÖN\times RecAll}{PEmpf.ichchchchchchchchchchchchSichchchchchchchchchchchchÖN+RecAll}=2\times \frac{0.67\times 0.67}{0.67+0.67}=0.67$

Welche Fragen beantworten Erinnerung bzw. Präzision?？
Zur Erinnerung: überhaupt jaEigentlich positiver TypIn der Probe,Voraussichtlich positivvon!
Daher lautet die Antwort: Wie viele von allen positiven Proben werden vom Modell korrekt erkannt?
Genauigkeit: Ja, überhauptVoraussichtlich positivIn der Probe,Tatsächlich ist es auch positivdes Verhältnisses.
Daher lautet die Antwort: Wie viele von allen als positiv vorhergesagten Proben sind positiv?