本部落格的截圖均來自zeya的post：essential things you need to know about f1-score | by zeya | towards data science
f1-score的定義：準確率（precision）和召回率（recall）的調和平均（harmonic mean）
這裡主要理解一下為什麼使用調和平均，從「調和」這個詞出發也可以知道，調和平均可以使得recall和precision之間的差距較小，否則f1會很小，這個很小的幅度比幾何平均、算數平均來的還要快，以下是三種平均值的定義：
按照zeya的說法，如果我們谷歌搜為什麼f1分數使用調和平均，則會得到類似「調和平均會懲罰不相等的數對懲罰的更厲害」（harmonic mean penalises unequal values more）和「調和平均會懲罰極值」（harmonic mean punishes extreme values），具體理解調和平均相對於另外兩種平均的優勢可以看下圖：
此**是上圖的動態圖：online graph maker · plotly chart studio
平面的兩個座標軸是召回率和準確率，紫色的點是調和平均的值，綠色的點是幾何平均的值，紅色的點是算數平均的值，讓我們來看坐下角的值：
從上圖我們可以知道，對於相同的（precision=1，recall=0.05）數對，紫色的調和平均給的分數最低，也就是懲罰這種不平均、不平衡或是有極值的（準確率，召回率）數對懲罰的最厲害，從整體上看，紫色的最彎曲，意味著對於相同的（precision，recall）座標，調和平均的分數不會比其他兩種高。
R語言 多分類計算F1 score
tp 為正，實現為正 fp 為正，實現為負 fn 為負，實現為正 tn 為負，實現為負 準確率 tp tp fp 召回率 tp tp fn f1 score 2tp 2tp fp fn pre 的分類結果 y 真實的分類結果 f1 fun function pre,y f1 2 tp 2 tp fp...
sklearn中f1 score的簡單使用
簡單 from sklearn.metrics import f1 score 匯入f1 score f1 score y test,y predict,erage micro 呼叫並輸出計算的值 f1 score y test,y predict,erage macro 解釋 其中計算公式f1 s...
機器學習 準確率 召回率 精確率 f1score等
機器學習中，如何評估乙個模型的好壞極關重要，否則訓練出來了我們自己都說不明白到底該不該用，一句話就是心裡沒底。本文將用較為白話的角度來闡述這些指標。注 這些指標 準確率 精確率 召回率 用中文表示容易混淆，例如準確率和精確率，本文將用英文來進行表述 在介紹之前，我們先上乙個二分類的例子 假定已經根據...