Python တွင် f1 ရမှတ်ကို တွက်ချက်နည်း (ဥပမာ အပါအဝင်)

စက်သင်ယူမှုတွင် အမျိုးအစားခွဲခြင်းပုံစံများကို အသုံးပြုသည့်အခါ၊ မော်ဒယ်အရည်အသွေးကို အကဲဖြတ်ရန် ကျွန်ုပ်တို့အသုံးပြုလေ့ရှိသည့် မက်ထရစ်မှာ F1 ရမှတ် ဖြစ်သည်။

ဤမက်ထရစ်ကို အောက်ပါအတိုင်း တွက်ချက်သည်-

F1 ရမှတ် = 2 * (တိကျမှု * ပြန်လည်ခေါ်ယူခြင်း) / (တိကျမှု + ပြန်လည်ခေါ်ယူခြင်း)

ရွှေ-

• တိကျမှု – စုစုပေါင်း အပြုသဘောဆောင်သော ခန့်မှန်းချက်များနှင့် ဆက်စပ်သော အပြုသဘောဆောင်သော ခန့်မှန်းချက်များကို မှန်ကန်စွာ ပြင်ပါ။
• သတိပေးချက် – စုစုပေါင်းအမှန်တကယ် အပြုသဘောဆောင်သည့် အပြုသဘောဆောင်သော ခန့်မှန်းချက်များကို ပြုပြင်ခြင်း။

ဥပမာအားဖြင့်၊ ကျွန်ုပ်တို့သည် မတူညီသောကောလိပ်ဘတ်စကက်ဘောကစားသမား 400 ကို NBA သို့ရေးဆွဲမည်လား မခန့်မှန်းရန် ထောက်ပံ့ပို့ဆောင်ရေးဆုတ်ယုတ်မှုပုံစံကို အသုံးပြုသည်ဆိုပါစို့။

အောက်ဖော်ပြပါ ရှုပ်ထွေးမှု matrix သည် မော်ဒယ်မှ ပြုလုပ်သော ခန့်မှန်းချက်များကို အကျဉ်းချုပ်ဖော်ပြသည်-

ဤသည်မှာ မော်ဒယ်၏ F1 ရမှတ်ကို တွက်ချက်နည်းဖြစ်သည်။

တိကျမှု = True Positive / (True Positive + False Positive) = 120/ (120+70) = 0.63157

ပြန်လည်ခေါ်ဆိုခြင်း = True Positive / (True Positive + False Negative) = 120 / (120+40) = 0.75

F1 ရမှတ် = 2 * (.63157 * .75) / (.63157 + .75) = . ၆၈၅၇

အောက်ပါဥပမာသည် Python ရှိ ဤအတိအကျမော်ဒယ်အတွက် F1 ရမှတ်ကို တွက်ချက်နည်းကို ပြသထားသည်။

ဥပမာ- Python တွင် F1 ရမှတ်ကို တွက်ချက်ခြင်း။

အောက်ပါကုဒ်သည် ခန့်မှန်းထားသောတန်ဖိုးများနှင့် အမှန်တကယ်တန်ဖိုးများ၏ ခင်းကျင်းတစ်ခုအတွက် F1 ရမှတ်ကိုတွက်ချက်ရန်အတွက် Python ရှိ sklearn package ၏ f1_score() လုပ်ဆောင်ချက်ကို မည်သို့အသုံးပြုရမည်ကို ပြသထားသည်။

 import numpy as np
from sklearn. metrics import f1_score

#define array of actual classes
actual = np. repeat ([1, 0], repeats=[160, 240])

#define array of predicted classes
pred = np. repeat ([1, 0, 1, 0], repeats=[120, 40, 70, 170])

#calculate F1 score
f1_score(actual, pred)

0.6857142857142857

F1 ရမှတ်သည် 0.6857 ဖြစ်သည် ။ ၎င်းသည် အစောပိုင်းက ကျွန်ုပ်တို့ကိုယ်တိုင်တွက်ချက်ထားသော တန်ဖိုးနှင့် ကိုက်ညီပါသည်။

မှတ်ချက် – f1_score() လုပ်ဆောင်ချက်အတွက် စာရွက်စာတမ်းအပြည့်အစုံကို ဤနေရာတွင် ရှာဖွေနိုင်ပါသည်။

F1 ရမှတ်များ အသုံးပြုခြင်းဆိုင်ရာ မှတ်စုများ

မော်ဒယ်များစွာကို နှိုင်းယှဉ်ရန် F1 ရမှတ်ကို အသုံးပြုပါက၊ အမြင့်ဆုံး F1 ရမှတ်ရှိသော မော်ဒယ်သည် လေ့လာတွေ့ရှိချက်များကို အတန်းများအဖြစ် အမျိုးအစားခွဲရန် အကောင်းဆုံး မော်ဒယ်ကို ကိုယ်စားပြုသည်။

ဥပမာအားဖြင့်၊ သင်သည် အခြားသော ထောက်ပံ့ပို့ဆောင်ရေး ဆုတ်ယုတ်မှုပုံစံကို ဒေတာနှင့် အံဝင်ခွင်ကျရှိပြီး ထိုမော်ဒယ်တွင် F1 ရမှတ် 0.75 ရှိပါက၊ ၎င်းမော်ဒယ်သည် F1 ရမှတ် ပိုမြင့်သောကြောင့် ၎င်းကို ပိုကောင်းသည်ဟု ယူဆပါမည်။

ထပ်လောင်းအရင်းအမြစ်များ

Python တွင် Logistic Regression ကို မည်သို့လုပ်ဆောင်မည်နည်း။
Python တွင် Confusion Matrix ဖန်တီးနည်း
Python တွင် မျှတသောတိကျမှုကို တွက်ချက်နည်း
F1 ရမှတ်နှင့် တိကျမှု- မည်သည့်အရာကို အသုံးပြုသင့်သနည်း။