F-SCORE, F1-SCORE, Fbeta-SCORE, F-МЕРА, F1-МЕРА, Fбета-МЕРА | МЕТРИКИ КЛАССИФИКАЦИИ
Метрики качества позволяют оценивать способность моделей машинного обучения восстанавливать закономерности из данных. В этом видео подумаем, как можно объединять вместе метрики Precision и Recall, когда они важны одновременно. Рассмотрим метрику для задачи классификации F-мера, которая является гармоническим средним Precision (точность) и Recall (полнота). Курсы на платформе Stepik: 1. Библиотеки Python для Data Science https://stepik.org/a/129105
2. Введение в нейронные сети (Keras/Tensorflow) https://stepik.org/a/127274
Метрики помогают понять, когда модель начинает переобучаться, про это явление можете посмотреть в видео ( • ПЕРЕОБУЧЕНИЕ И НЕДООБУЧЕНИЕ В МАШИННОМ ОБУ... ) Остальные метрики классификации: 1. Accuracy - • ACCURACY | МЕТРИКИ КЛАССИФИКАЦИИ В МАШИННО... 2. Precision. Recall. Confusion Matrix - • PRECISION, RECALL, CONFUSION MATRIX, ТОЧНО... 3. F-score - • F-SCORE, F1-SCORE, Fbeta-SCORE, F-МЕРА, F1... 4. Micro, Macro, Weighted - • MICRO, MACRO, WEIGHTED УСРЕДНЕНИЕ | ДЛЯ КА... Ноутбук из видео: https://colab.research.google.com/dri...
0:00 Пройденные метрики Accuracy, Precision, Recall 0:18 Данные по задаче кредитного скоринга 0:40 Среднее арифметическое Precision и Recall 1:55 Минимальное из Precision и Recall 3:14 Гармоническое среднее Precision и Recall 3:52 F1-мера (F1-score) 4:43 Fбета-мера (Fbeta-score) 5:24 Коэффициент бета (beta) меньше 1. Важнее точность 6:42 Если коэффициент бета (beta) = 0, то F-score=Precision 7:16 Коэффициент бета (beta) больше 1. Важнее полнота 8:30 Если коэффициент бета (beta) большой, то F-score=Recall 8:48 Резюме коэффициента бета (beta) 9:06 Подсчет метрики f-score для первой модели 10:03 Резюме
