Penjelasan terperinci tentang penunjuk skor F1 untuk penilaian pembelajaran mesin

Metrik ketepatan ialah ukuran berapa kali model diramalkan dengan betul merentas keseluruhan set data. Walau bagaimanapun, metrik ini hanya boleh dipercayai jika set data seimbang kelas. Iaitu, terdapat bilangan sampel yang sama untuk setiap kategori dalam set data. Walau bagaimanapun, set data dunia sebenar selalunya sangat tidak seimbang, menyebabkan metrik ketepatan tidak lagi dapat dilaksanakan. Untuk menyelesaikan masalah ini, skor F1 diperkenalkan sebagai metrik penilaian pembelajaran mesin yang lebih komprehensif dan lengkap. Skor F1 menggabungkan ketepatan dan ingatan semula model dan boleh menilai dengan lebih baik ketepatan model. Ketepatan merujuk kepada bilangan sampel yang diramalkan sebagai positif oleh model adalah positif benar, manakala ingat kembali merujuk kepada bilangan positif sebenar model boleh meramalkan dengan betul. Formula pengiraan skor F1 ialah: 2 * (kadar ketepatan * kadar ingatan semula) / (kadar ketepatan + kadar panggil balik). Dengan mempertimbangkan ketepatan dan ingatan secara menyeluruh, skor F1 boleh menilai prestasi model dengan lebih tepat, terutamanya dalam

konsep skor F1

Skor F1 berkait rapat dengan matriks kekeliruan, yang digunakan untuk menilai ketepatan pengelas seperti ketepatan dan ingat semula. Dengan menggabungkan ketepatan dan ingat semula, skor F1 memberikan penilaian prestasi keseluruhan model.

Ketepatan mengukur berapa banyak ramalan "positif" yang dibuat oleh model adalah betul.

Imbas kembali mengukur bilangan sampel positif yang terdapat dalam set data yang diiktiraf dengan betul oleh model.

Ketepatan dan penarikan balik menyediakan hubungan tukar ganti, di mana peningkatan satu metrik datang dengan mengorbankan yang lain. Ketepatan yang lebih tinggi bermakna pengelas yang lebih ketat yang akan meragui sampel positif sebenar dalam set data, sekali gus menurunkan kadar panggil balik. Sebaliknya, ingatan yang lebih tinggi memerlukan pengelas yang santai yang membenarkan mana-mana sampel yang serupa dengan kelas positif melaluinya, yang akan salah mengklasifikasikan beberapa sampel negatif huruf tepi sebagai "kelas positif" dan dengan itu mengurangkan ketepatan. Sebaik-baiknya, kami ingin memaksimumkan ketepatan dan metrik ingat untuk mendapatkan pengelas yang sempurna.

Skor F1 menggabungkan ketepatan dan ingatan semula menggunakan min harmoniknya, memaksimumkan skor F1 bermakna memaksimumkan ketepatan dan mengingat semula secara serentak.

Bagaimana untuk mengira markah F1?

Untuk memahami pengiraan skor F1, anda perlu memahami matriks kekeliruan terlebih dahulu. Di atas kami menyebut bahawa skor F1 ditakrifkan dari segi ketepatan dan ingatan semula. Formulanya adalah seperti berikut:

Ketepatan

Skor F1 dikira sebagai min harmonik bagi ketepatan dan skor ingat semula seperti yang ditunjukkan di bawah. Ia berjulat dari 0-100%, dengan skor F1 yang lebih tinggi menunjukkan kualiti pengelas yang lebih baik.

Untuk mengira skor F1 bagi set data berbilang kelas, teknik satu sama satu digunakan untuk mengira markah individu bagi setiap kelas dalam set data. Ambil min harmonik bagi ketepatan kelas dan nilai ingat semula. Skor bersih F1 kemudiannya dikira menggunakan teknik purata yang berbeza.

Skor F1 purata makro

Skor F1 purata mikro ialah penunjuk bermakna untuk pengedaran data berbilang kelas. Ia menggunakan nilai TP, FP dan FN "bersih" untuk mengira penunjuk.

TP bersih merujuk kepada jumlah skor TP kelas set data, yang dikira dengan menguraikan matriks kekeliruan kepada matriks satu lawan semua yang sepadan dengan setiap kelas.

Contoh Markah F1 Berwajaran

Skor Fβ ialah versi generik skor F1. Ia mengira min harmonik, sama seperti skor F1, tetapi mengutamakan ketepatan atau ingat semula. "β" mewakili pekali berat, iaitu hiperparameter yang ditetapkan oleh pengguna dan sentiasa lebih besar daripada 0.

Atas ialah kandungan terperinci Penjelasan terperinci tentang penunjuk skor F1 untuk penilaian pembelajaran mesin. Untuk maklumat lanjut, sila ikut artikel berkaitan lain di laman web China PHP!