Puntuación F1
La puntuación F1 es una medida estadística utilizada para evaluar el rendimiento de un classification model, particularly in scenarios where the class distribution is imbalanced. It serves as a balance between precision and recall, providing a single metric that captures both false positives and false negatives.
La precisión es la proporción de predicciones verdaderamente positivas sobre el total de positivos predichos, indicando cuántos de los casos positivos predichos fueron realmente correctos. El recall, por otro lado, es la proporción de predicciones verdaderamente positivas sobre el total de positivos reales, midiendo cuántos de los casos positivos reales fueron correctamente identificados por el modelo.
La puntuación F1 se calcula usando la fórmula:
F1 = 2 * (Precision * Recall) / (Precision + Recall)
Esta fórmula destaca cómo la puntuación F1 es la media armónica of precision and recall, which means it tends to be lower when either precision or recall is low. This property makes it particularly useful in situations where one metric cannot be sacrificed for the other, ensuring that both the accuracy of positive predictions and the model’s ability to capture actual positive instances are taken into account.
The F1 Score ranges from 0 to 1, where 1 indicates perfect precision and recall (all positive predictions are correct, and all positive cases are identified), while a score of 0 indicates the worst performance. It is widely used in fields such as procesamiento de lenguaje natural, medical diagnosis, and fraud detection, where the cost of false positives and false negatives can significantly impact outcomes.