Wska\u017anik ten jest obliczany w nast\u0119puj\u0105cy spos\u00f3b:<\/span><\/p>\n Wynik F1<\/strong> = 2 * (Precyzja * Przywo\u0142anie) \/ (Precyzja + Przypomnienie)<\/span><\/p>\n Z\u0142oto:<\/span><\/p>\n Za\u0142\u00f3\u017cmy na przyk\u0142ad, \u017ce u\u017cywamy modelu regresji logistycznej do przewidzenia, czy 400 r\u00f3\u017cnych koszykarzy z college’u zostanie powo\u0142anych do NBA.<\/span><\/p>\n Poni\u017csza macierz zamieszania podsumowuje przewidywania dokonane przez model:<\/span> <\/p>\n Oto jak obliczy\u0107 wynik modelu w F1:<\/span><\/p>\n Dok\u0142adno\u015b\u0107 = prawdziwie dodatnia \/ (prawdziwie dodatnia + fa\u0142szywie dodatnia) = 120\/ (120+70) = 0,63157<\/strong><\/span><\/p>\n Przywo\u0142anie = prawdziwie dodatnie \/ (prawdziwie dodatnie + fa\u0142szywie ujemne) = 120 \/ (120+40) = 0,75<\/strong><\/span><\/p>\n Wynik F1 = 2 * (0,63157 * 0,75) \/ (0,63157 + 0,75) = . 6857<\/strong><\/span><\/p>\n Pytanie, kt\u00f3re cz\u0119sto zadaj\u0105 uczniowie, brzmi:<\/span><\/p>\n Jaki jest dobry wynik w F1?<\/strong><\/em><\/span><\/p>\n Kr\u00f3tko m\u00f3wi\u0105c, wy\u017csze wyniki w F1 s\u0105 na og\u00f3\u0142 lepsze.<\/span><\/p>\n Przypomnijmy, \u017ce wyniki F1 mog\u0105 przyjmowa\u0107 warto\u015bci od 0 do 1, gdzie 1 oznacza model, kt\u00f3ry doskonale klasyfikuje ka\u017cd\u0105 obserwacj\u0119 do w\u0142a\u015bciwej klasy, a 0 oznacza model, kt\u00f3ry nie jest w stanie zaklasyfikowa\u0107 obserwacji do w\u0142a\u015bciwej klasy.<\/span><\/p>\n Aby to zilustrowa\u0107, za\u0142\u00f3\u017cmy, \u017ce mamy model regresji logistycznej, kt\u00f3ry tworzy nast\u0119puj\u0105c\u0105 macierz zamieszania:<\/span> <\/p>\n Oto jak obliczy\u0107 wynik modelu w F1:<\/span><\/p>\n Dok\u0142adno\u015b\u0107 = prawdziwie dodatnia \/ (prawdziwie dodatnia + fa\u0142szywie dodatnia) = 240\/ (240+0) = 1<\/strong><\/span><\/p>\n Przywo\u0142anie = prawdziwie dodatnie \/ (prawdziwie dodatnie + fa\u0142szywie ujemne) = 240 \/ (240+0) = 1<\/strong><\/span><\/p>\n Wynik F1 = 2 * (1 * 1) \/ (1 + 1) = 1<\/strong><\/span><\/p>\n Wynik F1 jest r\u00f3wny jeden, poniewa\u017c jest w stanie doskonale sklasyfikowa\u0107 ka\u017cd\u0105 z 400 obserwacji w klas\u0119.<\/span><\/p>\n Rozwa\u017cmy teraz inny model regresji logistycznej, kt\u00f3ry po prostu przewiduje, \u017ce ka\u017cdy gracz zostanie wybrany:<\/span> <\/p>\n Oto jak obliczy\u0107 wynik modelu w F1:<\/span><\/p>\n Dok\u0142adno\u015b\u0107 = prawdziwie dodatnia \/ (prawdziwie dodatnia + fa\u0142szywie dodatnia) = 160\/ (160+240) = 0,4<\/strong><\/span><\/p>\n Przywo\u0142anie = prawdziwie dodatnie \/ (prawdziwie dodatnie + fa\u0142szywie ujemne) = 160 \/ (160+0) = 1<\/strong><\/span><\/p>\n Wynik F1 = 2 * (0,4 * 1) \/ (0,4 + 1) = 0,5714<\/strong><\/span><\/p>\n Mo\u017cna by to uzna\u0107 za model bazowy<\/strong> , z kt\u00f3rym mogliby\u015bmy por\u00f3wna\u0107 nasz model regresji logistycznej, poniewa\u017c reprezentuje on model, kt\u00f3ry przewiduje takie same przewidywania dla ka\u017cdej obserwacji w zbiorze danych.<\/span><\/p>\n Im wy\u017cszy wynik w F1 w por\u00f3wnaniu z modelem referencyjnym, tym bardziej u\u017cyteczny jest nasz model.<\/span><\/p>\n Przypomnijmy, \u017ce nasz model mia\u0142 not\u0119 F1 na poziomie 0,6857<\/strong> . Warto\u015b\u0107 ta nie jest du\u017co wy\u017csza ni\u017c 0,5714<\/strong> , co wskazuje, \u017ce nasz model jest bardziej u\u017cyteczny ni\u017c model bazowy, ale niewiele.<\/span><\/p>\n W praktyce zazwyczaj stosujemy nast\u0119puj\u0105cy proces, aby wybra\u0107 \u201enajlepszy\u201d model problemu klasyfikacyjnego:<\/span><\/p>\n Krok 1:<\/strong> Dopasuj model referencyjny, kt\u00f3ry daje takie same przewidywania dla ka\u017cdej obserwacji.<\/span><\/p>\n Krok 2:<\/strong> Dopasuj kilka r\u00f3\u017cnych modeli klasyfikacji i oblicz wynik F1 dla ka\u017cdego modelu.<\/span><\/p>\n Krok 3:<\/strong> Wybierz model z najwy\u017cszym wynikiem F1 jako \u201enajlepszy\u201d model, sprawdzaj\u0105c, czy daje on wy\u017cszy wynik F1 ni\u017c model referencyjny.<\/span><\/p>\n \u017badna konkretna warto\u015b\u0107 nie jest uwa\u017cana za \u201edobry\u201d wynik w F1, dlatego zazwyczaj wybieramy model klasyfikacji, kt\u00f3ry daje najwy\u017cszy wynik w F1.<\/span><\/p>\n Wynik F1 a dok\u0142adno\u015b\u0107: kt\u00f3rego powiniene\u015b u\u017cy\u0107?<\/a> Podczas korzystania z modeli klasyfikacyjnych w uczeniu maszynowym powszechnym miernikiem, kt\u00f3rego u\u017cywamy do oceny jako\u015bci modelu, jest wynik F1 . Wska\u017anik ten jest obliczany w nast\u0119puj\u0105cy spos\u00f3b: Wynik F1 = 2 * (Precyzja * Przywo\u0142anie) \/ (Precyzja + Przypomnienie) Z\u0142oto: Dok\u0142adno\u015b\u0107 : Popraw pozytywne przewidywania w stosunku do wszystkich pozytywnych przewidywa\u0144 Przypomnienie : Korygowanie pozytywnych […]<\/p>\n","protected":false},"author":1,"featured_media":0,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[3],"tags":[],"class_list":["post-2165","post","type-post","status-publish","format-standard","hentry","category-przewodnik"],"yoast_head":"\n\n
![\"\"](\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/\u1405-\u1405-\u1405.png\")
<\/p>\n Jaki jest dobry wynik w F1?<\/strong><\/span><\/h3>\n
![\"\"](\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/bonf1_1.png\")
<\/p>\n![\"\"](\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/bonf1_2.png\")
<\/p>\n Por\u00f3wnuj\u0105c wyniki F1<\/strong><\/span><\/h3>\n
Dodatkowe zasoby<\/strong><\/span><\/h3>\n
Jak obliczy\u0107 wynik F1 w R<\/a>
Jak obliczy\u0107 wynik F1 w Pythonie<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"