F1得分和分类错误之间有什么关系？

Question

我正在使用K-fold交叉验证来查找最大化我的F1分数的参数。然而，我检查了准确性（1-errorRate），结果发现虽然参数给出了很高的F1分数，但它的准确度很低。我随机尝试了一些其他的参数值，即使它们给出了较低的F1分数，但准确度更高。我使用k折叠和从原始训练数据中提取的测试集来使用单独的数据进行训练。

Answer 1

value和F1 = 2 TP / (2 TP + FN + FP)因此你可以看到F1是＆＃34;有偏见＆＃34;对于正面类而言，并没有给出负面样本（ACC = (TP + TN) / (TP + FN + FP + FN)）的正确分类。虽然准确性是一个简单的概率对象（正确分类的可能性），F1是许多相当随意的想法之一 - 更多地关注一个类（在这种情况下是积极的一个）的想法，没有一个非常好的概率解释。因此，没有好的，直接的关系 - 完全不同的模型将具有良好的f1分数和完全不同的良好准确性。只有在你可以拥有一个完美的模型（0错误）的情况下，它才会最大化两种测量（如果你有一个可怕的，对称的，精度为0）。在任何其他情况下，他们会在某些时候不同意。