18
правок
Изменения
→F₁ score: Обновление конспекта (Часть 4?) Подробнее про F-меры (6 видов)
= F₁ F score = Для общей оценки качества классификатора часто используют F₁ -меру — среднее гармоническое между precision и recall:
: <tex>F_1 = \left ( \dfrac{Prec^{-1} + Recall^{-1}}{2} \right )^{-1} = 2 \cdot \dfrac{Prec \cdot Recall}{Prec + Recall}</tex>
: <tex>F_β = (1 + β^2) \dfrac{Prec \cdot Recall}{β^2 \cdot Prec + Recall}</tex>
'''F-мера для многоклассовой классификации'''[[Файл:F_scores.png|thumb|400px|Принцип усреднения различных F-мер для нескольких классов]][[Файл:F_scores_сomputing.png|thumb|left|150px|Вычисление TP, FP, FN для многоклассовой классификации]] Для вычисления F-меры (и других) метрик в рамках многоклассовой классификации используется подход "один против всех": каждый класс ровно один раз становится «положительным»,а остальные — отрицательным (пример вычисления изображён на матрице). Таким образом, в зависимости от этапа вычисления, на котором производится усреднение, можно вычислить micro-average, macro-average и average F-меры (логика вычисления изображена на схеме справа).Микро- и макро-:: <tex>F = 2 * \dfrac{\text{precision * recall}}{\text{precision + recall}}</tex>, где для micro-average precision и recall вычислены из усреднённых TP, FP, FN; для micro-average precision и recall вычислены из усреднённых precision<sub>βi</sub> измеряет эффективность классификатора учитывая , recall в β раз более важным чем precision.<sub>i</sub>;
