Jak obliczyć F1 i F2?

W świecie analizy danych oraz uczenia maszynowego, miary efektywności modeli klasyfikacyjnych stanowią fundament oceny ich jakości. Zrozumienie, czym jest F-score, a konkretnie jak obliczyć F1 i F2, jest kluczowe dla każdego, kto zajmuje się interpretacją wyników algorytmów. F-score to średnia harmoniczna precyzji (precision) oraz pełności (recall), która pozwala na zbalansowaną ocenę modelu, nawet w przypadku niezbalansowanych zbiorów danych.

Podstawy matematyczne miar

Zanim przejdziemy do obliczeń, musimy zdefiniować dwa kluczowe wskaźniki: Precyzję (stosunek poprawnie wykrytych przypadków pozytywnych do wszystkich przewidzianych jako pozytywne) oraz Pełność (stosunek poprawnie wykrytych przypadków pozytywnych do wszystkich faktycznie istniejących przypadków pozytywnych). Wskaźnik F-score wyrażany jest ogólnym wzorem, w którym parametr beta (β) decyduje o wadze, jaką przypisujemy pełności względem precyzji.

Obliczanie wyniku F1

Wskaźnik F1-score jest najbardziej popularną miarą, ponieważ przypisuje równą wagę precyzji i pełności (β=1). Obliczamy go za pomocą następującego wzoru:

F1 = 2 * (Precyzja * Pełność) / (Precyzja + Pełność)

Jest to rozwiązanie idealne w sytuacjach, gdy zależy nam na równowadze między minimalizacją fałszywych alarmów a wykrywaniem jak największej liczby rzeczywistych zdarzeń. Ekspercka wiedza w tym zakresie podpowiada, że F1 najlepiej sprawdza się w klasycznych problemach binarnych, gdzie obie klasy są dla nas równie istotne.

Zastosowanie wskaźnika F2

Wskaźnik F2-score jest stosowany w sytuacjach, gdy pełność (recall) jest dla nas ważniejsza niż precyzja (β=2). W tym modelu kładziemy dwukrotnie większy nacisk na to, aby nie pominąć żadnego istotnego przypadku, nawet kosztem większej liczby fałszywych alarmów. Wzór na F2 prezentuje się następująco:

F2 = 5 * (Precyzja * Pełność) / (4 * Precyzja + Pełność)

Kiedy wybrać konkretną miarę?

• F1-score: Wybieraj, gdy zależy Ci na harmonijnym modelu, w którym błędy obu typów (false positive i false negative) są równie kosztowne.
• F2-score: Stosuj w scenariuszach medycznych lub systemach bezpieczeństwa, gdzie koszt przeoczenia (false negative) jest znacznie wyższy niż koszt błędnej diagnozy (false positive).

Pamiętaj, że wybór odpowiedniego parametru β to nie tylko kwestia matematyki, ale przede wszystkim zrozumienia kontekstu biznesowego Twojego projektu. Profesjonalna analiza zawsze zaczyna się od zdefiniowania priorytetów – czy ważniejsza jest precyzja działania, czy maksymalne pokrycie badanego zjawiska?