F-Beta-Score

F1-Score相关概念

• F1分数（F1 Score），是统计学中用来衡量二分类（或多任务二分类）模型精确度的一种指标。它同时兼顾了分类模型的准确率和召回率。
• F1分数可以看作是模型准确率和召回率的一种加权平均，它的最大值是1，最小值是0，值越大意味着模型越好。
• 假如有100个样本，其中1个正样本，99个负样本，如果模型的预测只输出0，那么正确率是99%，这时候用正确率来衡量模型的好坏显然是不对的。

	label-1	label-0
pre-1	True Positive(TP)真阳性	False Positive(FP)假阳性
pre-0	False Negative(FN)假阴性	True Negative(TN)真阴性

F-Beta

• 查准率（precision），指的是预测值为1且真实值也为1的样本在预测值为1的所有样本中所占的比例。以西瓜问题为例，算法挑出来的西瓜中有多少比例是好西瓜。

precision = \frac{TP}{TP+FP}

• 召回率（recall），也叫查全率，指的是预测值为1且真实值也为1的样本在真实值为1的所有样本中所占的比例。所有的好西瓜中有多少比例被算法挑了出来。

recall = \frac{TP}{TP+FN}

• F1分数（F1-Score），又称为平衡F分数（BalancedScore），它被定义为精确率和召回率的调和平均数。

F_1 = 2 \cdot \frac{precisiont \cdot recall}{precision + recall}

• 更一般的，我们定义Fβ分数为：

F_\beta = (1 + \beta^2) \cdot \frac{precisiont \cdot recall}{(\beta^2 \cdot precision) + recall}

• 除了F1分数之外，F0.5分数和F2分数，在统计学中也得到了大量应用，其中，F2分数中，召回率的权重高于精确率，而F0.5分数中，精确率的权重高于召回率。

Macro-F1和Micro-F1

• Macro-F1和Micro-F1是相对于多标签分类而言的。
• Micro-F1，计算出所有类别总的Precision和Recall，然后计算F1。
• Macro-F1，计算出每一个类的Precison和Recall后计算F1，最后将F1平均。