F1 score: co to jest, wzór, przykład i jaki wynik jest dobry

Wdrożenia produkcyjneEwaluacjaOpublikowano Autor: Simon Budziak

F1 score to średnia harmoniczna precyzji i czułości (recall), jedna liczba od 0 do 1. Jest wysoki tylko wtedy, gdy klasyfikator wyłapuje większość rzeczywistych przypadków pozytywnych i generuje niewiele fałszywych alarmów, dlatego to typowa miara dla niezbalansowanych problemów, takich jak oszustwa, spam czy ekstrakcja danych z dokumentów.

Jak obliczyć F1 score?

F1 łączy precyzję i czułość za pomocą średniej harmonicznej. F1 = 2 × precyzja × czułość / (precyzja + czułość), co upraszcza się do 2TP / (2TP + FP + FN) (Google Machine Learning Crash Course, ostatnia aktualizacja 12 stycznia 2026). Precyzja to TP / (TP + FP), czyli odsetek oznaczeń, które okazały się trafne; czułość to TP / (TP + FN), czyli odsetek rzeczywistych przypadków pozytywnych, które model wyłapał.

Przykład liczbowy: 1000 zgłoszeń szkód ubezpieczeniowych, z czego 50 to wyłudzenia. Model oznacza 60, a 40 z nich to wyłudzenia, więc TP = 40, FP = 20, FN = 10. Precyzja wynosi 40 / 60 = 0,67, czułość 40 / 50 = 0,80, a F1 80 / (80 + 20 + 10) = 0,73. Średnia harmoniczna leży bliżej słabszej z dwóch liczb, więc model nie uzyska wysokiego F1 jedną mocną i jedną słabą metryką.

F1 score a dokładność: której mierze ufać?

Dokładność nagradza przewidywanie klasy większościowej, a F1 nie, co pokazują trzy modele na tych samych 1000 zgłoszeniach:

Model Dokładność Precyzja Czułość F1
Nie oznacza niczego 0,95 nieokreślona 0,00 0,00
Oznacza wszystko 0,05 0,05 1,00 0,10
Model z przykładu wyżej 0,97 0,67 0,80 0,73

Dokładność ocenia bezużyteczny pierwszy model na 95 procent, bo poprawnie klasyfikuje każde uczciwe zgłoszenie. F1 pomija prawdziwie negatywne, więc klasa większościowa nie może go zawyżyć. To zarazem jego martwy punkt: F1 nic nie mówi o tym, jak model traktuje przypadki negatywne, więc gdy błędnie oznaczony klient kosztuje, czytaj obok niego odsetek wyników fałszywie pozytywnych.

Jaki F1 score jest dobry?

Nie ma uniwersalnego progu; porównuj wynik z trywialnym punktem odniesienia. Model, który oznacza wszystko, uzyskuje 2p / (1 + p), gdzie p to odsetek przypadków pozytywnych: około 0,10, gdy pozytywnych jest 5 procent, i 0,67 na danych zbalansowanych. Zatem 0,6 może być mocnym wynikiem przy rzadkich oszustwach i gorszym niż zgadywanie w zbalansowanym zadaniu klasyfikacji. Opublikowane wyniki dają wyobrażenie o skali: SQuAD podał F1 równe 51,0% dla modelu regresji logistycznej wobec 86,8% dla ludzi (Rajpurkar i in., dostęp 16 listopada 2026). Dobry F1 bije trywialny punkt odniesienia na danych ocenianych względem wiarygodnego ground truth. Gdy pominięcia i fałszywe alarmy kosztują różnie, F-beta nadaje im wagi: w scikit-learn „beta = 2 makes recall twice as important as precision” (dokumentacja fbeta_score, dostęp 16 listopada 2026).

Jak działa F1 dla modeli wieloklasowych i w sklearn?

f1_score w scikit-learn 1.9.1 domyślnie używa average='binary' i ocenia tylko etykietę pozytywną (dokumentacja f1_score, dostęp 16 listopada 2026). Przy więcej niż dwóch klasach wybierasz sposób uśredniania:

average Jak łączy klasy Kiedy go używać
macro Nieważona średnia F1 poszczególnych klas Rzadkie klasy liczą się tak samo jak częste
micro Globalne liczby TP, FP i FN Chcesz jednej ogólnej miary
weighted Średnia ważona liczebnością każdej klasy Chcesz, by wynik odzwierciedlał częstość klas

Macro F1 ujawnia model, który ignoruje rzadką klasę; micro F1 to ukrywa. Gdy klasa nie ma żadnych przewidzianych ani prawdziwych przypadków pozytywnych, domyślne zero_division='warn' zwraca 0 i zgłasza ostrzeżenie. Raportuj wyniki dla poszczególnych klas obok średniej, bo jedna liczba może ukryć klasę, która zawodzi.

To hasło przygotowano z pomocą AI.

Najczęściej zadawane pytania

Czy F1 score równy 0,8 to dobry wynik?

Często tak, ale tylko w porównaniu z punktem odniesienia. Na danych, w których 5 procent przypadków jest pozytywnych, oznaczenie wszystkiego daje około 0,1, więc 0,8 to duży skok; na danych zbalansowanych ten sam trik daje 0,67, więc 0,8 to skromna poprawa.

Czym różni się F1 score od dokładności (accuracy)?

Dokładność liczy każdą poprawną predykcję, także prawdziwie negatywne. F1 pomija prawdziwie negatywne i ocenia tylko, jak dobrze model znajduje klasę pozytywną, więc nie da się go zawyżyć, przewidując klasę większościową.

Podsumuj tę stronę w

Przeszkol zespół, aby sam to zbudował