makro-F1
forkortelse for makrogennemsnitligt F1-mål (macro-averaged F1 score)
Makro-F1 er gennemsnittet af F1-scorer beregnet separat for hver klasse, hvilket giver lige vægt til alle klasser uanset deres hyppighed.
Kort fortalt
Makro-F1 måler en models gennemsnitlige præstation på tværs af alle klasser ved først at beregne F1 for hver klasse og derefter tage gennemsnittet.
- Kategori
- metrik
- Niveau
- øvet
Betydninger
1- 1
En evalueringsmetrik for klassifikationsmodeller, der beregner det ubetyngede aritmetiske gennemsnit af F1-scorer for hver klasse.
- Ved rapporten angav modellens makro-F1 på 0,72, hvilket afspejler en jævn præstation over alle tre klasser.
- Makro-F1 er at foretrække frem for mikro-F1, når klassernes størrelse varierer betydeligt.
Hvornår bruges det
Makro-F1 anvendes især ved ubalancerede datasæt, hvor man ønsker at evaluere modellens evne til at klassificere sjældne klasser lige så grundigt som hyppige klasser. Den er velegnet, når alle klasser er lige vigtige for opgaven.
Formel
F1_macro = (1/C) * Σ_{c=1}^{C} F1_c, hvor C er antallet af klasser, og F1_c er F1-score for klasse c.Kodeeksempel
from sklearn.metrics import f1_score, classification_report
y_true = [0, 1, 2, 0, 1, 2]
y_pred = [0, 2, 1, 0, 0, 1]
macro_f1 = f1_score(y_true, y_pred, average='macro')
print(f"Macro-F1: {macro_f1:.2f}")Eksempel på beregning af makro-F1 med scikit-learns f1_score-funktion og average='macro'.
Oprindelse
Præfikset 'makro-' betyder 'stor' eller 'overordnet' og henviser til, at metrikken aggregerer over alle klasser. 'F1' stammer fra F1-score, der kombinerer præcision og recall.