Что такое F1-score и когда он лучше accuracy?

Варианты ответа

• F1 = 2 × Precision × Recall / (Precision + Recall) — гармоническое среднее двух метрик. Лучше accuracy при дисбалансе классов, когда важны и precision, и recall одновременно
• F1 — это среднее арифметическое precision и recall: F1 = (Precision + Recall) / 2, упрощённая версия без сложных математических трансформаций для быстрой оценки
• F1 всегда равен accuracy для бинарной классификации — это доказано математически, когда классы сбалансированы: TP = TN и FP = FN, формулы сводятся к одному значению
• F1-score применяется исключительно для мультиклассовых задач с более чем двумя классами (macro-F1, micro-F1); для бинарной задачи достаточно accuracy или AUC

Разбор ответа

Получить доступ к ответам — все вопросы →

Похожие вопросы из категории «ML»

• Как диагностировать переобучение модели и какие приёмы помогают его предотвратить?
• Перечислите основные способы регуляризации и объясните, когда применять каждый.
• Объясните разницу между precision и recall.
• Как выбрать между ROC-AUC и PR-AUC для оценки модели классификации?
• В чём принцип градиентного бустинга и почему он так популярен в продуктовой аналитике?