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.