Pontuação F1
O F1 Score é uma medida estatística usada para avaliar o desempenho de uma 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.
Precisão é a proporção de previsões positivas verdadeiras em relação ao total de positivos previstos, indicando quantos dos casos previstos como positivos estavam realmente corretos. Recall, por outro lado, é a proporção de previsões positivas verdadeiras em relação ao total de positivos reais, medindo quantos dos casos positivos reais foram corretamente identificados pelo modelo.
A pontuação F1 é calculada usando a fórmula:
F1 = 2 * (Precision * Recall) / (Precision + Recall)
Esta fórmula destaca como o F1 Score é o média harmônica 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 processamento de linguagem natural, medical diagnosis, and fraud detection, where the cost of false positives and false negatives can significantly impact outcomes.