系列博客目录

在深度学习领域，F1-score 是一种常用的评价指标，尤其在不平衡数据集中，能够更好地反映模型的性能。它是 Precision（精确率） 和 Recall（召回率） 的调和平均数，综合考虑了模型预测的准确性和覆盖率。

公式：
$F1=2\times \frac{\text{Precision}\times \text{Recall}}{\text{Precision}+\text{Recall}}$

其中：

• Precision（精确率） = 真正类预测数 / 被预测为正类的总数
• Recall（召回率） = 真正类预测数 / 实际正类的总数

例子：
假设你有一个分类模型在猫狗识别的任务中，目标是识别出所有的猫。对于某一批次的测试数据，模型做出如下预测结果：

• 真实正类（猫）数量：100
• 模型预测为正类的数量（猫）：90
• 其中真正类（猫）预测正确：80

计算：

• Precision = 80 / 90 = 0.89
• Recall = 80 / 100 = 0.80

接下来，计算 F1-score：
$F1=2\times \frac{0.89\times 0.80}{0.89+0.80}\approx 0.84$

F1-score 在 0 到 1 之间，越接近 1 表明模型在 Precision 和 Recall 方面的表现越好。在这个例子中，模型的 F1-score 为 0.84，表明它在正确识别猫的同时也较好地避免了误报。