Score F1
Le score F1 est une mesure statistique utilisée pour évaluer la performance d'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 précision est le rapport entre les prédictions positives vraies et le total des positifs prédits, indiquant combien des cas positifs prédits étaient réellement corrects. Le rappel, quant à lui, est le rapport entre les prédictions positives vraies et le total des positifs réels, mesurant combien des cas positifs réels ont été correctement identifiés par le modèle.
Le score F1 est calculé en utilisant la formule :
F1 = 2 * (Precision * Recall) / (Precision + Recall)
Cette formule met en évidence comment le score F1 est la moyenne harmonique 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 traitement du langage naturel, medical diagnosis, and fraud detection, where the cost of false positives and false negatives can significantly impact outcomes.