F1-score est la moyenne harmonique de précision et de rappel. L'axe des y du rappel est le véritable taux positif (qui est également le rappel). Donc, parfois, les classificateurs peuvent avoir un faible rappel mais une ASC très élevée, qu'est-ce que cela signifie?
Quelles sont les différences entre AUC et F1-score?
machine-learning
precision-recall
auc
accuracy
RockTheStar
la source
la source
Réponses:
Le score F1 est applicable à tout point particulier de la courbe ROC. Ce point peut représenter par exemple une valeur de seuil particulière dans un classifieur binaire et correspond ainsi à une valeur particulière de précision et de rappel.
N'oubliez pas que le score F est un moyen intelligent de représenter à la fois le rappel et la précision. Pour que le score F soit élevé, la précision et le rappel doivent être élevés.
Ainsi, la courbe ROC est pour différents niveaux de seuils et a de nombreuses valeurs de score F pour différents points de sa courbe.
la source
L'AUC est de dimension [PRÉCISION] * [RAPPEL] et c'est l'aire sous la courbe ROC. F1 est pour une paire fixe de précision et de rappel. Ils sont donc différents. Mais il y a des liens. Voir ceci: http://pages.cs.wisc.edu/~jdavis/davisgoadrichcamera2.pdf
la source
Les axes d'une courbe ROC sont le vrai taux positif (rappel, sensibilité AKA) et le taux faux positif (taux de fausse alarme) , pas la précision, AKA PPV, la valeur prédictive positive .
la source