2024-07-12
한어Русский языкEnglishFrançaisIndonesianSanskrit日本語DeutschPortuguêsΕλληνικάespañolItalianoSuomalainenLatina
Le score F1 est un indicateur qui mesure les performances d'un modèle de classification. Il est particulièrement adapté au traitement d'ensembles de données extrêmement déséquilibrés. La valeur du score F1 est comprise entre 0 et 1. Plus la valeur est élevée, meilleures sont les performances.
Formule de calcul:
Le score F1 est la moyenne harmonique de précision et de rappel.
∗ ∗ Score F 1 = 2 × précision × R ecallprécision + R ecall ∗ ∗ **Score F1 = 2 fois frac{précision fois Rappel}{précision+Rappel}**∗∗F1score=2×precjemjeouuuuuun+Rceunllprecjemjeouuuuuun×Rceunll∗∗
Alors, que sont la précision et le rappel ?
Précision: La proportion d'échantillons prédits comme positifs par le modèle qui sont réellement positifs.
Rappel (taux de rappel): La proportion d'échantillons qui sont réellement de classe positive et qui sont correctement prédits comme étant de classe positive par le modèle.
Calculé comme suit :
Précision = TPTP + FP Précision = frac{TP}{TP+FP}Precjemjeouuuuuun=TP+PFTP
Rappel = TPTP + FN Rappel = frac{TP}{TP+FN}Rceunll=TP+FNTP
Par exemple:
| catégorie réelle | Catégorie de prédiction |
|---|---|
| 1 | 1 |
| 1 | 0 |
| 0 | 1 |
| 1 | 1 |
| 0 | 0 |
Qu’est-ce que le TP ? FP ? FR？
TP (True Positive) : Le modèle prédit une classe positive, et c'est en fait une classe positive. Il y a 2 exemples.
FP (False Positive) : Le modèle prédit une classe positive, mais il s'agit en réalité d'une classe négative. Il y a 1 exemples.
FN (False Negative) : Le modèle prédit une classe négative, mais il s'agit en réalité d'une classe positive. Il y en a 1 ici.
Précision = TPTP + FP = 2 2 + 1 = 0,67 Précision = frac{TP}{TP+FP}=frac{2}{2+1}=0,67Precjemjeouuuuuun=TP+PFTP=2+12=0.67
Rappel = TPTP + FN = 2 2 + 1 = 0,67 Rappel = frac{TP}{TP+FN}=frac{2}{2+1}=0,67Rceunll=TP+FNTP=2+12=0.67
Score F1 = 2 × Précision × Rappel Précision + Rappel = 2 × 0,67 × 0,67 0,67 + 0,67 = 0,67 Score F1 = 2 fois frac {Précision multipliée par Rappel}{Précision + Rappel} = 2 fois frac {0,67 fois 0,67 }{0,67 +0,67 } = 0,67F1score=2×Precjemjeouuuuuun+RceunllPrecjemjeouuuuuun×Rceunll=2×0.67+0.670.67×0.67=0.67
À quelles questions répondent respectivement le rappel et la précision ?？
Rappel : oui du toutType réellement positifDans l'échantillon,On s'attend à ce qu'il soit positifde!
La réponse est donc : parmi tous les échantillons positifs, combien sont correctement reconnus par le modèle.
Précision : Oui du toutOn s'attend à ce qu'il soit positifDans l'échantillon,En fait, c'est aussi positifde rapport.
La réponse est donc la suivante : parmi tous les échantillons dont on prévoit qu’ils sont positifs, combien le sont ?
Il se consacre à la recherche technologique depuis plus de 30 ans et maîtrise divers langages tels que java, linux, javascript, php, css, etc. Il a apporté de nombreuses contributions dans le domaine de l'open source. station de documentation pour les développeurs pour partager certains problèmes de développement technologique pour référence future.
