Σύγκριση μεθόδων
Εξετάστε τις επιλεγμένες μεθόδους δίπλα-δίπλα· οι γραμμές που διαφέρουν επισημαίνονται.
| Βαθμολογία F-beta× | Μέσος όρος F1 (Macro-averaged F1)× | |
|---|---|---|
| Πεδίο | Αξιολόγηση Μοντέλων | Αξιολόγηση Μοντέλων |
| Οικογένεια | MCDM | MCDM |
| Έτος προέλευσης≠ | 1979 | 2000s |
| Δημιουργός≠ | C. J. van Rijsbergen | Multi-class evaluation community |
| Τύπος | Evaluation metric | Evaluation metric |
| Θεμελιώδης πηγή≠ | van Rijsbergen, C. J. (1979). Information Retrieval (2nd ed.). Butterworth-Heinemann. link ↗ | Powers, D. M. (2011). Evaluation: From Precision, Recall and F-Measure to ROC, Informedness, Markedness and Correlation. Journal of Machine Learning Technologies, 2(1), 37-63. link ↗ |
| Εναλλακτικές ονομασίες≠ | F-measure with parameter beta | Macro F1, Unweighted average F1 |
| Συναφείς≠ | 5 | 3 |
| Σύνοψη≠ | The F-beta score is a weighted harmonic mean of precision and recall that allows customizing the relative importance of recall versus precision through a parameter beta. It generalizes the F1-score, which is the special case where beta = 1. | Macro-averaged F1 computes the F1-score independently for each class and then takes the unweighted arithmetic mean. It treats all classes equally, regardless of their frequency in the dataset, making it useful for imbalanced multi-class problems. |
| ScholarGateΣύνολο δεδομένων ↗ |
|
|