Loading AI tools
来自维基百科,自由的百科全书
F值,亦被稱做F-measure,是一種量測算法的精確度常用的指標,經常用來判斷演算法的精確度。目前在辨識、偵測相關的演算法中經常會分別提到精確率(precision)和召回率(recall),F-score能同時考慮這兩個數值,平衡地反映這個演算法的精確度。
![]() |
是使用者自行定義的參數,由一般式可見F-score能同時考慮precision和recall這兩種數值。分子為precision和recall相乘,根據這個式子,只要precision或recall趨近於0,F-score就會趨近於0,代表著這個演算法的精確度非常低。一個好的演算法,最好能夠平衡recall和precision,且儘量讓兩種指標都很高。所以有一套判斷方式可以同時考慮recall和precision。當時,F-score退化為precision;當時,F-score退化為recall。
一般上來說,提到F-score且沒有特別的定義時,是指時的F-score,亦有寫作F1-score。代表使用者同樣的注重precision和recall的這兩個指標。其分數可以說是precision和recall的調和平均,式子如下:
F-score最理想的數值是趨近於1,做法是讓precision和recall都有很高的值。若兩者皆為1,使得,則F-score = 1 (100%),代表該算法有著最佳的精確度。
前面的true/false修飾後面的positive/negative,後面的positive/negative是我們的方法的判斷。
以抓犯人為例,TP是有罪而且被抓到的情形,FN是有罪但沒被抓到的情形,FP是無罪但被誤抓的情形,TN是無罪且未被誤逮的情形
判斷為真 | 判斷不為真 | |
---|---|---|
事實上為真 | TP | FN |
事實上不為真 | FP | TN |
(positive prediction rate)
Precision的分母為兩種判斷為真的情形的總和(范恩圖中完整綠色的部份)
Recall的分母為事實上為真的情形的總和(范恩圖中完整紫色的部份)
以警察抓犯人的故事為例:
一位警察很厲害,抓了很多犯人,但是這些犯人當中,只有少部分真正有罪,其他都是被冤枉的。
一個警察非常嚴謹,只逮捕真正有犯罪的人,不抓實在是沒辦法肯定的犯人。
F-score經常用於評估資訊檢索的結果,如:
F-score 是等於取回物品集和相關物品集的Dice係數
Seamless Wikipedia browsing. On steroids.
Every time you click a link to Wikipedia, Wiktionary or Wikiquote in your browser's search results, it will show the modern Wikiwand interface.
Wikiwand extension is a five stars, simple, with minimum permission required to keep your browsing private, safe and transparent.