Berbagi teknologi

Skor F1

2024-07-12

한어Русский языкEnglishFrançaisIndonesianSanskrit日本語DeutschPortuguêsΕλληνικάespañolItalianoSuomalainenLatina

Skor F1

Skor F1 adalah indikator yang mengukur kinerja model klasifikasi. Hal ini sangat cocok untuk memproses kumpulan data yang sangat tidak seimbang. Nilai skor F1 berkisar antara 0 hingga 1. Semakin besar nilainya, semakin baik kinerjanya.
Rumus perhitungan:
Skor F1 adalah rata-rata harmonik antara presisi dan perolehan.
∗ ∗ Skor F1 = 2 × presisi × R ecallpresisi + R ecall ∗ ∗ **Skor F1 = 2 kali dipecah{presisi kali Recall}{presisi + Recall}**F1skor=2×PmerekamSayaSSayaHaiN+RekAIIPmerekamSayaSSayaHaiN×RekAII
Jadi apa itu presisi dan recall?
Presisi: Proporsi sampel yang diprediksi positif menurut model sebenarnya positif.
Penarikan kembali (tingkat penarikan kembali): Proporsi sampel yang benar-benar merupakan kelas positif dan diprediksi secara tepat sebagai kelas positif oleh model.
Dihitung sebagai berikut:
Presisi = TPTP + FP Presisi = frac{TP}{TP+FP}PmerekamSayaSSayaHaiN=T.P.+Bahasa InggrisT.P.
Penarikan kembali = TPTP + FN Penarikan kembali = frac{TP}{TP+FN}RekAII=T.P.+Bahasa Inggris Bahasa Inggris FNT.P.
Misalnya:

kategori sebenarnyaKategori prediksi
11
10
01
11
00

Apa itu TP? FP? FN
TP (True Positive): Model memprediksi kelas positif, dan sebenarnya kelas positif. Ada 2 contoh.
FP (False Positive): Model memprediksi kelas positif, namun sebenarnya kelas negatif. Ada 1 contoh.
FN (False Negative): Model memprediksi kelas negatif, namun sebenarnya kelas positif. Ada 1 di sini.
Presisi = TPTP + FP = 2 2 + 1 = 0,67 Presisi = frac{TP}{TP+FP}=frac{2}{2+1}=0,67PmerekamSayaSSayaHaiN=T.P.+Bahasa InggrisT.P.=2+12=0.67
Ingat kembali = TPTP + FN = 2 2 + 1 = 0,67 Ingat kembali = frac{TP}{TP+FN}=frac{2}{2+1}=0,67RekAII=T.P.+Bahasa Inggris Bahasa Inggris FNT.P.=2+12=0.67
Skor F1 = 2 × Presisi × Ingatan Presisi + Ingatan = 2 × 0,67 × 0,67 0,67 + 0,67 = 0,67 Skor F1 = 2 kali pecahan {Presisi dikali Ingatan}{Presisi + Ingatan} = 2 kali pecahan {0,67 dikali 0,67 }{0,67 + 0,67} = 0,67F1skor=2×PmerekamSayaSSayaHaiN+RekAIIPmerekamSayaSSayaHaiN×RekAII=2×0.67+0.670.67×0.67=0.67

Pertanyaan apa yang masing-masing dijawab oleh recall dan presisi?
Ingat: ya sama sekaliSebenarnya tipe positifDalam sampel,Diprediksi positifdari!
Oleh karena itu, jawabannya adalah: di antara semua sampel positif, berapa banyak yang dikenali dengan benar oleh model.
Akurasi: Ya, sama sekaliDiprediksi positifDalam sampel,Faktanya, ini juga positifrasio.
Maka jawabannya adalah: Di antara semua sampel yang diprediksi positif, berapa banyak yang positif?