mikro-F1
Mikro-F1 er en evalueringsmetrik, der beregner det harmoniske gennemsnit af præcision og recall på tværs af alle klasser ved at aggregere tællere (TP, FP, FN) globalt.
Kort fortalt
Kort fortalt er mikro-F1 en samlet score, der måler en models præstation ved at tage hensyn til alle forudsigelser ligeligt, uanset klasse.
- Kategori
- metrik
- Niveau
- øvet
Betydninger
1- 1
Mikro-F1 er en variant af F1-score, der globalt aggregerer sandt positive, falsk positive og falsk negative over alle klasser, hvilket giver lige vægt til hver instans.
- Mikro-F1 for modellen var 0,89, hvilket indikerer god overordnet præstation på tværs af alle klasser.
- Ved multilabel-klassifikation foretrækkes mikro-F1 ofte frem for makro-F1, da den tager højde for frekvensen af hver etiket.
Hvornår bruges det
Mikro-F1 anvendes især i flerklasses- og multilabel-klassifikationsopgaver, hvor der er klasseubalance. Det er nyttigt, når man ønsker en metrik, der vægter hver instans lige meget, hvilket gør den velegnet til at evaluere modeller på datasæt med dominerende klasser.
Formel
F1_micro = 2 * TP_micro / (2 * TP_micro + FP_micro + FN_micro) where TP_micro = Σ TP_i, FP_micro = Σ FP_i, FN_micro = Σ FN_i over all classes i.Kodeeksempel
from sklearn.metrics import f1_score
y_true = [0, 1, 2, 0, 1, 2]
y_pred = [0, 2, 1, 0, 0, 1]
micro_f1 = f1_score(y_true, y_pred, average='micro')
print(micro_f1)Beregning af mikro-F1 med scikit-learn. Bemærk parameteren 'average='micro''.
Oprindelse
"Mikro" refererer til, at metrikken aggregerer på instansniveau (mikro-niveau) i modsætning til makro-F1, der aggregerer på klasseniveau. F1 stammer fra F-score, der blev introduceret af van Rijsbergen i 1979.