F1skår

F1skår, eller F1-score, är ett mått som används för att utvärdera binära klassificeringsmodeller. Den är definierad som den harmoniska medelvärdet av precision och recall och syftar till att kombinera båda delmåtten i ett enda tal.

Precision är andelen sanna positiva av alla förutsagda positiva klassificeringar. Recall (även kallat känslighet) är andelen sanna positiva av alla faktiska positiva fall. Formeln för F1-skår är F1 = 2 × (precision × recall) / (precision + recall). Denna balans gör F1 särskilt användbar när man vill väga samman hur bra modellen är på att hitta positiva fall och hur exakt den är när den förutspår positiva fall.

Fβ-skor är en generalisering av F1-skan som låter användaren väga samman precision och recall enligt en viktfaktor β. Fβ = (1 + β²) × (precision × recall) / (β² × precision + recall). För F1 används β = 1, vilket ger den harmoniska medeln.

Användning: F1-skåren är särskilt användbar när klasserna är obalanserade eller när kostnaden för falska positiva och falska negativa skiljer sig. Den är vanligt förekommande inom informationsåtervinning, naturlig språkbehandling och medicinsk diagnostik. F1-värden varierar mellan 0 och 1, där 1 indikerar perfekt prestanda.

Begränsningar: F1 tar inte hänsyn till sanna negativa och kan vara missledande om klassfördelningen är mycket ojämn eller om man endast vill optimera en av de två komponenterna. För full bild kan kompletterande mått som noggrannhet, specifikhet och ROC-område vara nödvändiga. Vid flerklassproblem används ofta per-klass F1 med mikro- eller makrogenomsnitt.