sklearn有一个评估指标，它是f1-score（也存在f-beta分数）。
我知道如何使用它，但我不太明白它代表什么。
它大小时表示什么。
如果我们把公式放在一边，我应该从f分数值中理解什么？
答案 0 :(得分：11)
F-score是收集精确度和召回率的简单公式。想象一下，您想要预测二进制分类任务的标签（正面或负面）。您有4种类型的预测：
精确度是所有阳性预测的真阳性比例。精度为1意味着你没有误报，这很好，因为你从来没有说过一个元素是积极的而不是一个元素。
召回是所有实际积极因素的真阳性比例。召回1意味着你没有假阴性，这是好的，因为你从未说过一个元素属于相反的类，而它实际上属于你的类。
如果您想知道您的预测是否良好，您需要这两项措施。你的精确度可以为1（所以当你说它是积极的，它的行为是积极的）但仍然有很低的召回率（你预测3个好的积极因素，但忘记了15个其他积极因素）。或者你可以有一个良好的回忆和糟糕的精度。
这就是为什么你可以检查f1-score，以及任何其他类型的f-score。如果这两个值中的一个显着减少，那么f分数也会如此。但请注意，在许多问题中，我们更倾向于给予精确度或召回更多的权重（在网络安全性中，错误地阻止一些好的请求比放弃一些不好的请求更好）。
答案 1 :(得分：5)
f1-score是最受欢迎的效果指标之一。据我所知，这是sklearn中存在的指标。
本质上，f1-score是精度和召回的调和平均值。当我们创建分类器时，我们总是在召回和精确度之间做出妥协，与高精度但低召回率的模型相比，很难比较具有高召回率和低精度的模型。 f1-score是我们可以用来比较两个模型的度量。
这并不是说具有更高f1分数的模型总是更好 - 这可能取决于您的具体情况。