Data Science - собесы

🤔 Что такое F-score и зачем его используют? Это метрика, используемая для оценки качества бинарных классификаторов, которая учитывает как точность (precision), так и полноту (recall) модели. Она особенно полезна в ситуациях с несбалансированными классами, где одно значение может быть значительно больше другого. 🚩Зачем нужен? 🟠Комбинирования точности и полноты в одну метрику Точность (Precision): Доля правильно предсказанных положительных примеров из всех предсказанных положительных. Полнота (Recall): Доля правильно предсказанных положительных примеров из всех истинных положительных. 🟠Балансировки между точностью и полнотой В некоторых задачах важнее минимизировать ложноположительные ошибки, в других – ложные отрицательные. F-score помогает найти баланс. 🟠Оценки моделей на несбалансированных данных В условиях, где один класс значительно преобладает, F-score дает более полное представление о производительности модели, чем просто точность или полнота. 🚩Как вычисляется? Это гармоническое среднее точности и полноты, что позволяет избежать завышения оценки при высоком значении только одной из метрик. Формула F-score выглядит следующим образом: F_1 = 2 \cdot \frac{\text{Precision} \cdot \text{Recall}}{\text{Precision} + \text{Recall}} Где: \text{Precision} = \frac{\text{TP}}{\text{TP} + \text{FP}} \text{Recall} = \frac{\text{TP}}{\text{TP} + \text{FN}} Пример from sklearn.metrics import f1_score # Пример данных y_true = [0, 1, 1, 1, 0, 1, 0, 0, 1, 1] # Истинные значения y_pred = [0, 1, 0, 1, 0, 1, 0, 1, 1, 0] # Предсказанные значения # Вычисление F-score f1 = f1_score(y_true, y_pred) print(f'F-score: {f1:.2f}') Ставь 👍 и забирай 📚 Базу знаний