← 返回刚才阅读的位置

知识卡片

普通读书笔记卡 · 9442.l · 生成模型:Tencent Hunyuan Hy

F值:精确与召回的调和

理解等级:中级

实际业务常想鱼和熊掌兼得:既预测得多又预测得准,但精确率与召回率往往一升一降,单看一个难判优劣。例如把召回率提到0.68、精确率降到0.74,这算好还是坏?为此引入F值(F-Measure),它是精确率P与召回率R的加权调和平均,特点是更接近两者中较小的那个,因此当精确率与召回率越接近时F值越大。式中a为权重;当业务上认为召回与准确同等重要时取a=1,得到F1,此时只有召回率和精确率都提高F1才会提高。用途:综合衡量模型、在两者间取平衡,很多推荐系统就用F值评测。边界:调和平均偏向较小值,一方很低会拖累整体;若业务对某一方有偏好应调整a。可迁移启发是用单一综合指标前先确定权重体现的价值取向。

这张卡片看不懂?

已有反馈 · 0 条

    还没有人提交反馈。

    在整书笔记中的位置

    原书出处 · 1 处

    • 了解你手上的数据 3.3.4 F值 · 查看原书依据

      在很多场景下,我们希望“鱼和熊掌,两者兼得”,希望模型既能够预测得尽可能多又尽可能准确。如果我们把识别猫狗图片模型的召回率提升到0.68,但是精确率下降到0.74,那么这个优化的结果和原来的结果相比是更好了还是更差了?为了对这两个指标有一个更综合的评价,我们引入 F 值度量(F-Measure)的概念,

    参考来源

    - 位置:《产品经理进阶:100个案例搞懂人工智能 (林中翘)》第3章《了解你手上的数据》(源文件:`../../book-sources/extracted/产品经理进阶:100个案例搞懂人工智能 (林中翘)/_epub-src/OEBPS/text00008.html`,来源项目 a19c7933-4eda-4176-aebd-30fe7e1ad292) - 结论依据:原文引入F值为加权调和平均、更接近较小者,并给出a=1得F1,支撑本卡综合调和结论。 - 原始内容:在很多场景下,我们希望“鱼和熊掌,两者兼得”,希望模型既能够预测得尽可能多又尽可能准确。如果我们把识别猫狗图片模型的召回率提升到0.68,但是精确率下降到0.74,那么这个优化的结果和原来的结果相比是更好了还是更差了?为了对这两个指标有一个更综合的评价,我们引入 F 值度量(F-Measure)的概念,