Makro-ortalama F1
Macro-averaged F1-Score · Ayrıca şöyle bilinir: Macro F1, Unweighted average F1
Makro-ortalama F1, F1-puanını her sınıf için bağımsız olarak hesaplar ve ardından ağırlıksız aritmetik ortalamayı alır. Veri kümesindeki frekanslarından bağımsız olarak tüm sınıfları eşit şekilde ele alır, bu da onu dengesiz çok sınıflı problemler için kullanışlı kılar.
Tam yöntemi oku
Bu bölümü okumak için ücretsiz hesapla giriş yapın.
Yöntem haritası
İlişkili yöntemlerin komşuluğu — keşfetmek için bir düğüm seçin.
Ne zaman kullanılır
Tüm sınıfların önemli olduğu ve frekanstan bağımsız olarak eşit ağırlık istediğinizde makro-ortalama F1'i kullanın. Azınlık sınıflarının kaçırılmasının kritik olduğu dengesiz çok sınıflı problemler için esastır. Sınıf dağılımlarının çarpık olduğu ve nadir sınıflardaki zayıf performansı yaygın sınıflardaki zayıf performansla eşit şekilde cezalandırmak istediğinizde genel doğruluk yerine kullanın.
Güçlü yönler & sınırlılıklar
- Tüm sınıfları eşit şekilde ağırlıklandırır, metriğin çoğunluk sınıfı tarafından domine edilmesini önler.
- Azınlık sınıflarındaki zayıf performansa duyarlıdır.
- Sezgisel yorumlama: tüm sınıflardaki ortalama F1'i temsil eder.
- Dengesiz çok sınıflı veri kümeleri için uygundur.
- Az sayıda örneği olan nadir sınıflar, oldukça değişken F1-puanlarına sahip olabilir, bu da makro F1'i kararsız hale getirir.
- Her sınıftaki örneklerin gerçek sayısını dikkate almaz.
- Farklı hata türleri arasında ayrım yapmaz.
- Bazı sınıfların diğerlerinden sınıflandırılmasının çok daha zor olduğu durumlarda yanıltıcı sonuçlar verebilir.
SSS
Makro-ortalama F1'i ne zaman mikro-ortalama F1 yerine kullanmalıyım?
Tüm sınıfların eşit derecede önemli olmasını istediğinizde (azınlık sınıflarının önemli olduğu dengesiz veri kümeleri için uygundur) makro-ortalama F1'i kullanın. Sınıf frekansına göre ağırlıklandırmak istediğinizde (sınıfların doğal dağılımının önemlerini yansıttığı durumlarda uygundur) mikro-ortalama F1'i kullanın. Dengesiz ayarlarda, makro F1 genellikle tercih edilir.
Makro-ortalama F1 neden nadir sınıflar için kararsız olabilir?
Nadir sınıfların az sayıda örneği vardır, bu nedenle F1-puanları birkaç tahmin üzerindeki küçük değişikliklere bağlı olarak dalgalanabilir. Nadir bir sınıftaki tek bir sınıflandırma hatası, o sınıfın F1-puanına ve dolayısıyla makro ortalamaya büyük bir etki eder. Katmanlı çapraz doğrulama tahminleri stabilize etmeye yardımcı olur.
Makro-ortalama F1 yüksek, doğruluk düşük olabilir mi?
Bu, ciddi dengesiz veri kümelerinde olabilir. Örneğin, A sınıfı verinin %99'unu ve B ve C sınıfları %0.5'ini oluşturuyorsa, bir model her şeyi A sınıfı olarak tahmin ederek yüksek doğruluk elde edebilir, ancak B ve C sınıflarının sıfır F1-puanına sahip olması nedeniyle makro F1 düşük olacaktır. Azınlık sınıfları önemli olduğunda bu aslında istenen bir davranıştır.
Kaynaklar
- 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 ↗
- Sokolova, M., Japkowicz, N., & Szpakowicz, S. (2006). Beyond Accuracy, F-Score and ROC: a Family of Discriminant Measures for Performance Evaluation. AI 2006, 4013, 1015-1021. DOI: 10.1007/11941439_114 ↗
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 3). Macro-averaged F1-Score. ScholarGate. https://scholargate.app/tr/model-evaluation/macro-averaged-f1
Hangi yöntem?
Bu yöntemi en yakın akrabalarının yanına koyup yan yana okuyun — kütüphane kitapları masaya serer; seçim sizindir.
- F1-SkoruModel değerlendirme↔ karşılaştır
- Mikro-ortalama F1Model değerlendirme↔ karşılaştır
- Ağırlıklı F1Model değerlendirme↔ karşılaştır