F1-Score
F1-Score 是一种常用于评估分类模型性能的指标，特别是在数据不平衡的情况下。它是精确度 (Precision) 和召回率 (Recall) 的调和平均值，用于衡量模型对正类的预测能力。
计算方法
-
精确度 (Precision)：是指正确预测为正类的数量与所有预测为正类的数量之比。它反映了模型预测正类的准确性。
P r e c i s i o n = T P T P + F P Precision = \frac{TP}{TP + FP} Precision=TP+FPTP其中，TP (True Positives) 是真正类的数量，FP (False Positives) 是假正类的数量。
-
召回率 (Recall)：是指正确预测为正类的数量与实际正类的数量之比。它反映了模型找出正类的能力。
R e c a l l = T P T P + F N Recall = \frac{TP}{TP + FN} Recall=TP+FNTP其中，FN (False Negatives) 是假负类的数量。
-
F1-Score：是精确度和召回率的调和平均值，用于平衡精确度和召回率。
F 1 = 2 × P r e c i s i o n × R e c a l l P r e c i s i o n + R e c a l l F1 = 2 \times \frac{Precision \times Recall}{Precision + Recall} F1=2×Precision+RecallPrecision×Recall
应用场景
F1-Score 通常用于评估分类模型，尤其是在正负类样本不平衡的情况下。它帮助衡量模型对少数类的预测能力，因此在医学诊断、欺诈检测、文本分类等领域被广泛使用。
示例
假设一个二分类模型的混淆矩阵如下：
| 预测正类 | 预测负类 | |
|---|---|---|
| 实际正类 | TP = 80 | FN = 20 |
| 实际负类 | FP = 30 | TN = 70 |
- 精确度 (Precision) = 80 / (80 + 30) = 0.727
- 召回率 (Recall) = 80 / (80 + 20) = 0.8
- F1-Score = 2 * (0.727 * 0.8) / (0.727 + 0.8) = 0.761
因此，该模型的 F1-Score 为 0.761，反映了模型在平衡精确度和召回率方面的性能。
)
)
