F-beta Skoru
F-beta Score (Weighted Harmonic Mean) · Ayrıca şöyle bilinir: F-measure with parameter beta
F-beta skoru, hassasiyet (precision) ve duyarlılığın (recall) göreceli önemini beta parametresi aracılığıyla özelleştirmeye olanak tanıyan, hassasiyet ve duyarlılığın ağırlıklı harmonik ortalamasıdır. Beta = 1 olduğunda F1-skorunun özel durumu olan F1-skorunu genelleştirir.
Tam yöntemi oku
Bu bölümü okumak için ücretsiz hesapla giriş yapın.
Yöntem haritası
İlişkili yöntemlerin komşuluğu — keşfetmek için bir düğüm seçin.
Ne zaman kullanılır
Hassasiyet ve duyarlılığın uygulamanızda farklı öneme sahip olduğu durumlarda F-beta skorunu kullanın. Hastalıkları kaçırmanın maliyetli olduğu tıbbi teşhislerde F2-skorunu (beta = 2) kullanın. Yanlış pozitiflerin maliyetli olduğu spam filtrelemede F0.5-skorunu (beta = 0.5) kullanın. Tip II hataların (yanlış negatifler, duyarlılık tarafından cezalandırılır) tip I hatalara (yanlış pozitifler, hassasiyet tarafından cezalandırılır) göreceli maliyetini yansıtacak şekilde beta'yı seçin.
Güçlü yönler & sınırlılıklar
- Esnek: alan gereksinimlerine göre hassasiyet-duyarlılık ödünleşiminin özelleştirilmesine olanak tanır.
- F1-skorunu genelleştirir, farklı senaryolar için bir metrik ailesi sağlar.
- Açık yorumlama: beta, duyarlılığa verilen göreceli ağırlığı doğrudan kontrol eder.
- Asimetrik hata maliyetlerine sahip dengesiz veri kümeleri için uygundur.
- Uygun bir beta değeri seçilmesini gerektirir; seçim öznel olabilir.
- Doğru negatifleri göz ardı etmeye devam eder, bu nedenle performansın tam bir resmini sunmaz.
- Sınıf başına analiz ile birleştirilmediğinde belirli sınıflardaki zayıf performansı maskeleyebilir.
- F1-skorundan daha karmaşık bir şekilde paydaşlara açıklanır.
SSS
Beta parametresini nasıl seçerim?
Yanlış negatiflerin yanlış pozitiflere göreceli maliyetini yansıtacak şekilde beta'yı seçin. Yanlış negatifler yanlış pozitiflerden iki kat daha maliyetliyse, beta = 2 kullanın. Yanlış pozitifler yanlış negatiflerden iki kat daha maliyetliyse, beta = 0.5 kullanın. Maliyetler eşitse, F1-skorunu (beta = 1) kullanın. Bazı uygulayıcılar, sırasıyla 'duyarlılık odaklı' ve 'hassasiyet odaklı' değerlendirme için standart varyantlar olarak F2 ve F0.5 kullanır.
Neden sadece F-beta yerine öğrenme algoritmasında farklı sınıf ağırlıkları ayarlamıyoruz?
Eğitim sırasında sınıf ağırlıklarını ayarlamak, öğrenilen modeli belirli hata maliyetleri için optimize ederken, F-beta verilen bir modelin performansını ölçer. F-beta, yeniden eğitime gerek kalmadan farklı maliyet varsayımları altında model performansını değerlendirmenize olanak tanıyan bir sonradan değerlendirme metriğidir. Ancak ideal olarak her ikisi de uyumlu olmalıdır: eğitim sırasında sınıf ağırlıklarını kullanın ve eşleşen F-beta ile değerlendirin.
Veriden beta'yı otomatik olarak seçmenin bir yolu var mı?
Prensipte, yanlış negatiflerin yanlış pozitiflere göreceli maliyet oranını alan verilerinden tahmin edebilirsiniz, ancak bu genellikle özneldir ve alan uzmanlığı gerektirir. Bazı uygulayıcılar, en iyi gerçek dünya performansını hangisinin sağladığını görmek için farklı beta değerleriyle çapraz doğrulama kullanır, ancak bu bilinen maliyetlere sahip doğru veri gerektirir.
Kaynaklar
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 3). F-beta Score (Weighted Harmonic Mean). ScholarGate. https://scholargate.app/tr/model-evaluation/f-beta-score
Hangi yöntem?
Bu yöntemi en yakın akrabalarının yanına koyup yan yana okuyun — kütüphane kitapları masaya serer; seçim sizindir.
- F1-SkoruModel değerlendirme↔ karşılaştır
- Makro-ortalama F1Model değerlendirme↔ karşılaştır
- KesinlikModel değerlendirme↔ karşılaştır
- Geri Çağırma (Duyarlılık)Model değerlendirme↔ karşılaştır
- Ağırlıklı F1Model değerlendirme↔ karşılaştır