Mikro-ortalama F1
Micro-averaged F1-Score · Ayrıca şöyle bilinir: Micro F1, Frequency-weighted average F1
Mikro-ortalama F1, tüm sınıflardaki doğru pozitifleri, yanlış pozitifleri ve yanlış negatifleri toplayarak F1-skorunu hesaplar ve ardından tek bir metrik belirler. Çok sınıflı sınıflandırmada doğruluğa eşdeğerdir ve sınıf dağılımlarının doğal önemlerini yansıttığı durumlarda kullanışlıdır.
Tam yöntemi oku
Bu bölümü okumak için ücretsiz hesapla giriş yapın.
Yöntem haritası
İlişkili yöntemlerin komşuluğu — keşfetmek için bir düğüm seçin.
Ne zaman kullanılır
Sınıf dağılımlarının doğal olduğu ve önemlerini yansıttığı durumlarda, örneğin standart dengeli kıyaslamalarda mikro-ortalama F1'i kullanın. Kesinlik ve duyarlılığı dengeleyen tek bir genel doğruluk metriği istediğinizde kullanın. Sınıfların yoğun dengesiz olduğu ve tüm sınıflara eşit önem vermek istediğiniz durumlarda mikro F1'den kaçının; bunun yerine makro F1'i kullanın.
Güçlü yönler & sınırlılıklar
- Genel doğruluğa eşdeğerdir, çok sınıflı ayarlarda sezgisel bir yorum sağlar.
- Sınıfları frekanslarına göre ağırlıklandırır, doğal önem dağılımını yansıtır.
- Toplanan karmaşıklık matrisinden hesaplamak için hesaplama açısından verimlidir.
- Sınıf başına metrikleri incelemeden genel performansı karşılaştırmak için kullanışlıdır.
- Dengesiz veri kümelerindeki çoğunluk sınıflarına eğilimlidir.
- Azınlık sınıflarındaki zayıf performansı eşit şekilde cezalandırmaz.
- Belirli nadir sınıflardaki zayıf performansı gizleyebilir.
- Tüm sınıfların önemli olduğu dengesiz veri kümeleri için uygun değildir.
SSS
Mikro-ortalama F1 gerçekten doğruluğun aynısı mıdır?
Evet, çok sınıflı sınıflandırmada, mikro-ortalama F1 matematiksel olarak genel doğruluğa eşdeğerdir. Her ikisi de tek bir metrik hesaplamak için tüm sınıfları toplar. Fark kavramsal olarak farklıdır: doğruluk daha basittir, mikro F1 ise bu toplu hesaplamada kesinlik ve duyarlılık dengesini vurgular.
Mikro F1'i makro F1 yerine ne zaman kullanmalıyım?
Sınıflar dengeli olduğunda veya frekansları önemlerini yansıttığında mikro F1'i kullanın. Tüm sınıfların frekanslarından bağımsız olarak eşit derecede önemli olduğu, özellikle dengesiz veri kümelerinde makro F1'i kullanın. Dengesiz ayarlarda, makro F1 genellikle tercih edilir çünkü azınlık sınıfı problemlerini gizlemez.
Makro ve mikro F1 önemli ölçüde farklılık gösterebilir mi?
Evet. Dengesiz veri kümelerinde, makro F1 tüm sınıfları eşit ağırlıklandırdığı ve mikro F1 çoğunluk sınıflarını vurguladığı için makro F1, mikro F1'den çok daha düşük olabilir. Bu farkın kendisi bilgilendiricidir: büyük bir boşluk sınıf dengesizliğini ve sınıflar arası eşit olmayan performansı gösterir.
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). Micro-averaged F1-Score. ScholarGate. https://scholargate.app/tr/model-evaluation/micro-averaged-f1
Hangi yöntem?
Bu yöntemi en yakın akrabalarının yanına koyup yan yana okuyun — kütüphane kitapları masaya serer; seçim sizindir.
- DoğrulukModel değerlendirme↔ karşılaştır
- F1-SkoruModel değerlendirme↔ karşılaştır
- Makro-ortalama F1Model değerlendirme↔ karşılaştır
- Ağırlıklı F1Model değerlendirme↔ karşılaştır