F1 Score

F1 Score: La media armonica di precision e recall, fornendo una singola metrica bilanciata. F1 = 2 (precision recall) / (precision + recall). Utile per dataset sbilanciati. Pesa precision e recall equamente. Esempi di applicazione: Valutazione classificazione binaria, Dataset sbilanciati, Metriche diagnosi medica.

In English: F1 ScoreLegge V · Overfitting, bias e collasso dei modelliConfronto: Precision o recall: quale metrica scegliere e perché

F1 = 2 * (precision * recall) / (precision + recall). Utile per dataset sbilanciati. Pesa precision e recall equamente.

Formula

F1 = 2PR/(P+R) = 2TP/(2TP+FP+FN)

Esempio numerico

tp, fp, fn = 8, 2, 4
precision = tp / (tp + fp)
recall = tp / (tp + fn)
f1 = 2 * precision * recall / (precision + recall)
print(precision, recall, f1)  # 0.8, 0.6667, 0.7273

Quando usarlo

Serve a bilanciare precision e recall con un solo numero, soprattutto con classi sbilanciate.

Limiti

Ignora i veri negativi e non descrive la calibrazione; la soglia operativa va scelta insieme al costo dei due errori.

Esempi

  • Valutazione classificazione binaria
  • Dataset sbilanciati
  • Metriche diagnosi medica

Calcola le metriche

Modifica la matrice: precision pesa i falsi positivi, recall i falsi negativi; F1 li combina.

Precision
Recall
F1
Accuracy

Autovalutazione

Tre domande per verificare la comprensione della voce. Le spiegazioni restano disponibili anche senza JavaScript.

1. Che cos’è F1 Score?
Spiegazione

F1 Score: La media armonica di precision e recall, fornendo una singola metrica bilanciata. F1 = 2 (precision recall) / (precision + recall). Utile per dataset sbilanciati. Pesa precision e recall equamente. Esempi di applicazione: Valutazione classificazione binaria, Dataset sbilanciati, Metriche diagnosi medica.

2. Quale applicazione è coerente con F1 Score?
Spiegazione

Serve a bilanciare precision e recall con un solo numero, soprattutto con classi sbilanciate.

3. Quale voce è collegata a F1 Score?
Spiegazione

Le voci correlate sono scelte per collegamento tecnico, non per somiglianza casuale.