Ağırlıklı F1
Weighted F1-Score · Ayrıca şöyle bilinir: Support-weighted F1
Ağırlıklı F1, her sınıf için F1-skorunu hesaplar ve ardından her sınıftaki örnek sayısına (destek) orantılı ağırlıklar kullanarak ağırlıklı bir ortalama alır. Makro ve mikro ortalamalar arasında bir orta yol sunar.
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 frekanslarının önemlerini yansıttığı ve temsil ettiği durumlarda, ancak basitçe doğruluğa indirgemek yerine sınıf başına varyasyonu hesaba katmak istediğinizde ağırlıklı F1'i kullanın. Orta derecede dengesizliğe sahip, tüm sınıfların önemli olduğu ancak daha yaygın sınıfların makul ölçüde daha fazla etkiye sahip olması gereken veri kümeleri için kullanışlıdır.
Güçlü yönler & sınırlılıklar
- Sınıf başına ve toplu metrikler arasında dengeli bir görünüm sağlar.
- Doğal sınıf frekanslarına saygı duyarken sınıf başına performansı da dikkate alır.
- Nadir sınıfların kararsız metriklerine karşı makro F1'den daha sağlamdır.
- Makro ve mikro arasındaki seçim belirsiz olduğunda bir orta yol olarak kullanışlıdır.
- Tüm sınıfları eşit olarak değerlendirmez; nadir sınıfların etkisi daha azdır.
- Yeterince nadir oldukları takdirde azınlık sınıflarındaki zayıf performansı gizleyebilir.
- Saf makro veya mikro ortalamalardan daha karmaşık yorumlanır.
- Tüm sınıfların frekanstan bağımsız olarak eşit öneme sahip olması gereken durumlar için uygun değildir.
SSS
Ağırlıklı F1, makro ve mikro F1'den nasıl farklıdır?
Makro F1 tüm sınıfları eşit ağırlıklandırır. Mikro F1 frekansa göre ağırlıklandırır (doğruluğa eşdeğerdir). Ağırlıklı F1, destek değerine göre ağırlıklandırarak bir orta yol sunar. Dengeli veri kümelerinde, üçü de benzerdir. Dengesiz veri kümelerinde, makro F1 en düşüktür (azınlığı vurgular), mikro F1 en yüksektir (çoğunluğu vurgular) ve ağırlıklı F1 bunların arasında yer alır.
Ağırlıklı F1'i ne zaman doğruluğa tercih etmeliyim?
Sınıf frekanslarını dikkate alırken sınıflar arasında dengeli hassasiyet (precision) ve duyarlılık (recall) sağlamak istediğinizde ağırlıklı F1'i kullanın. Doğruluk yalnızca doğruluğu ölçer; ağırlıklı F1 yanlış pozitif ve yanlış negatiflerin dengesini dikkate alır. Ağırlıklı F1, dengesiz veri kümeleri için daha inceliklidir.
Ağırlıklı F1 her zaman makro F1'den daha iyi midir?
Zorunlu değil. Ağırlıklı F1, sınıf frekanslarının önemlerini yansıttığı ve azınlık sınıfı sorunlarını gizlemenin kabul edilebilir olduğu durumlarda daha iyidir. Makro F1, tüm sınıfların frekanstan bağımsız olarak eşit derecede önemli olması gerektiği durumlarda daha iyidir. Birinin evrensel olarak 'daha iyi' olmasından ziyade, probleminizin gereksinimlerine göre seçim yapın.
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). Weighted F1-Score. ScholarGate. https://scholargate.app/tr/model-evaluation/weighted-f1
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
- Mikro-ortalama F1Model değerlendirme↔ karşılaştır