Fβ-score
Fβ-score er det vægtede harmoniske gennemsnit af præcision og recall, hvor β angiver, hvor mange gange recall er vigtigere end præcision.
Kort fortalt
Fβ-score er et tal mellem 0 og 1, der måler, hvor god en model er til at finde de rigtige svar, hvor du kan justere, om du vil prioritere at finde alle de rigtige (recall) eller at undgå forkerte (præcision).
- Kategori
- metrik
- Niveau
- øvet
Betydninger
1- 1
En evalueringsmetrik for klassifikationsmodeller, beregnet som det vægtede harmoniske gennemsnit af præcision og recall, med β som en ikke-negativ reel parameter, der bestemmer recallens relative vægt.
- Ved at sætte β=2 lægger Fβ-scoren dobbelt så meget vægt på recall som på præcision. — Eget eksempel
- Fβ-scoren er givet ved formlen F_β = (1+β²) · (precision · recall) / (β²·precision + recall). — Van Rijsbergen, 1979
Hvornår bruges det
Fβ-score anvendes i klassifikationsopgaver, især når der er ubalance mellem klasser, og man ønsker at vægte recall højere end præcision. Fx ved medicinsk diagnostik, hvor falske negative er særligt kritiske, kan man sætte β=2 for at lægge ekstra vægt på recall.
Formel
F_β = (1+β²) · (precision · recall) / (β²·precision + recall)Kodeeksempel
from sklearn.metrics import fbeta_score
y_true = [1, 0, 1, 1, 0]
y_pred = [1, 0, 0, 1, 0]
beta = 2
score = fbeta_score(y_true, y_pred, beta=beta)
print(score) # Output: 0.8Eksempel på beregning af Fβ-score med β=2 ved hjælp af scikit-learn. For β=1 svarer det til F₁-score.
Oprindelse
Termen er en generalisering af F₁-scoren, hvor beta (β) blev introduceret af C. J. van Rijsbergen i 1979 for at lade brugeren kontrollere vægtningen mellem præcision og recall.
Kilder
1- Information Retrieval (2nd ed.) by C. J. van Rijsbergen