本文主要是介绍深度学习F2-Score及其他(F-Score),希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!
在深度学习中,精确率(Precision)和召回率(Recall)是常用的评价模型性能的指标,从公式上看两者并没有太大的关系,但是实际中两者是相互制约的。我们都希望模型的精确了和召回率都很高,但是当精确率高的时候,召回率往往较低;召回率较高的时候精确率往往较低。
往往需要对模型的精确率和召回率做出取舍:
比如在一般的搜索任务时,在保证召回率的同时,尽量提高精确率;
在癌症检测、金融诈骗任务时,在保证精确率的同时,尽量提高召回率。
很多时候,我们需要综合权衡这2个指标,这就引出了一个新的指标F-Score,这是综合考虑Precision和Recall的调和值
当 时,成为F1-Score,这时召回率和精确率都很重要,权重相同。当有些情况下我们认为精确率更为重要,那就调整 β 的值小于 1 ,如果我们认为召回率更加重要,那就调整 β的值大于1,比如F2-Score。
举个栗子:
癌症检查数据样本有10000个,其中10个是有癌症的样本。假设无癌症的9900个样本中预测正确了9980个,在10个癌症数据中预测正确了9个,此时:
Accuracy = (9+9980)/10000 = 99.89%
Precision = 9/(9 + 10) = 47.36%
Recall = 9 / 10 = 90%
F1-score = 2 x (47.36% x 90%)/(1 x 47.36% + 90%)
F2-score = 2 x (47.36% x 90%)/(4 x 47.36% + 90%)
这篇关于深度学习F2-Score及其他(F-Score)的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!