Akurasi seimbang vs skor F-1

Saya bertanya-tanya apakah ada yang bisa menjelaskan perbedaan antara akurasi yang seimbang

b_acc = (sensitivity + specificity)/2

dan skor f1 yaitu:

f1 = 2*precision*recall/(precision + recall)

unbalanced-classes

— dvreed77
sumber

Secara matematis, b_acc adalah rata-rata aritmatika dari recall_P dan recall_N dan f1 adalah rata-rata harmonik dari recall_P dan presisi_P.

Baik F1 dan b_acc adalah metrik untuk evaluasi classifier, yang (sampai batas tertentu) menangani ketidakseimbangan kelas. Bergantung yang mana dari dua kelas (N atau P) melebihi yang lainnya, masing-masing metrik mengungguli yang lain.

1) Jika N >> P, f1 lebih baik.

2) Jika P >> N, b_acc lebih baik.

Jelas, jika Anda dapat memberi label-switch, kedua metrik dapat digunakan dalam salah satu dari dua kasus ketidakseimbangan di atas. Jika tidak, maka tergantung pada ketidakseimbangan dalam data pelatihan, Anda dapat memilih metrik yang sesuai.

— Shashwat
sumber

Terima kasih pak, Apakah Anda memiliki referensi untuk info mengenai pemilihan Fscore vs akurasi yang seimbang dalam hal jumlah kelas positif / negatif?

— gin

Saya ingin meminta kedua @ gin untuk info lebih lanjut tentang cara memilih di antara keduanya. Saya punya beberapa data dimana N adalah sekitar 8%. Dengan jawaban di atas, sepertinya saya harus menggunakan Balanced Accuracy. Saya sudah mencari referensi lain tentang pilihan ini (P> N -> b_acc) tetapi belum melihat apa pun.

— anguyen1210

Ini tidak masuk akal bagi saya. Akurasi seimbang tidak berubah pada label switching. Bagaimana Anda bisa "membuatnya lebih baik" dengan beralih label jika itu tidak akan berubah?

— TC Proctor