准确性指标是衡量模型在整个数据集中正确预测的次数。然而，只有在数据集是类平衡的情况下，这个指标才是可靠的。也就是说，数据集中每个类别都有相同数量的样本。但是，现实世界的数据集往往严重失衡，这就导致准确性指标不再可行。 为了解决这个问题，人们引入了F1分数作为一种更全面完善的机器学习评估指标。F1分数综合了模型的精确率和召回率，可以更好地评估模型的准确性。精确率是指模型预测为正例的样本中有多少是真正的正例，而召回率是指模型能够正确预测出多少真正的正例。 F1分数的计算公式为：2 * (精确率 * 召回率) / (精确率 + 召回率)。通过综合考虑精确率和召回率，F1分数能够更准确地评估模型的表现，尤其在
F1分数与混淆矩阵密切相关，用于评估分类器的准确度、精确度和召回率等指标。通过结合精确度和召回率，F1分数能够提供对模型综合性能的评估。
精度衡量模型做出的“积极”预测中有多少是正确的。
召回率测量数据集中存在的正类样本中有多少被模型正确识别。
准确率和召回率提供了一种权衡的关系，即提高一个指标会以另一个为代价。更高的准确率意味着更严格的分类器，会怀疑数据集中的实际正样本，从而降低召回率。另一方面，更高的召回率需要一个松懈的分类器，它允许任何类似于正类的样本通过，这会将一些边界情况的负样本误分类为“正类”，从而降低准确率。理想情况下，我们希望最大化准确率和召回率指标，以获得一个完美的分类器。
F1分数使用它们的调和平均值结合精确度和召回率，最大化F1分数意味着同时最大化精确度和召回率。
要理解F1分数的计算，首先需要认识混淆矩阵。上文我们提到F1分数是根据精确度和召回率定义的。其公式如下：
精度
F1分数计算为精度和召回分数的调和平均值，如下所示。它的范围为0-100%，较高的F1分数表示更好的分类器质量。
为了计算多类数据集的F1分数，使用了一对一技术来计算数据集中每个类的个体分数。取类精度和召回值的调和平均值。然后使用不同的平均技术计算净F1分数。
宏观平均F1分数
微平均F1分数是一种对多类数据分布有意义的指标。它使用“净”TP、FP和FN值来计算指标。
净TP是指数据集的类TP分数的总和，它是通过将混淆矩阵分解为对应于每个类的one-vs-all矩阵来计算的。
样本加权F1分数
Fβ分数是F1分数的通用版本。它计算调和平均值，就像F1分数一样，但优先考虑精度或召回率。“β”表示权重系数，该系数是用户设置的超参数，始终大于0。
以上是详解机器学习评估的F1得分指标的详细内容。更多信息请关注PHP中文网其他相关文章！
