Tính trung bình chính xác và thu hồi khi sử dụng xác nhận chéo

Tôi đã thực hiện phân loại bằng nhiều phân loại cho dữ liệu có nhãn 2 lớp và tôi đã sử dụng xác thực chéo 5 lần. Đối với mỗi lần gấp, tôi tính tp, tn, fp và fn. Sau đó, tôi tính toán độ chính xác, độ chính xác, thu hồi và điểm F cho mỗi bài kiểm tra. Câu hỏi của tôi là, khi tôi muốn tính trung bình các kết quả, tôi đã lấy trung bình của độ chính xác, nhưng tôi có thể tính trung bình chính xác, thu hồi và điểm F không? Hay điều này sẽ sai về mặt toán học? PS Các bộ dữ liệu được sử dụng trong mỗi lần được cân bằng tốt về số lượng phiên bản cho mỗi lớp.

Cảm ơn.

classification cross-validation precision-recall

— Kalaji
nguồn

Tôi gặp phải vấn đề tương tự của bạn về việc tính toán F-đo (trung bình hài hòa của độ chính xác và thu hồi) bằng cách sử dụng xác nhận chéo. Trong bài báo này, họ thực sự đã chứng minh rằng tính toán số đo F trên tập hoàn chỉnh, và không tính trung bình, là phương pháp ít sai lệch. Tôi hy vọng điều này có thể giúp

— papafe

@markusian Vui lòng thêm điều này như một câu trả lời! Đó là điều quan trọng nhất trên trang này !!

— drevicko

$F$

F_{1} = 2 \cdot \frac{precision \cdot recall}{precision + recall}

$F_1 = 2\cdot\frac{\textrm{precision} \cdot \textrm{recall}}{\textrm{precision} + \textrm{recall}}$

F_{β}

$F_\beta$

β

$\beta$

F_{β} = (1 + β^{2}) \frac{precision \cdot recall}{(β^{2} \cdot precision) + recall}

$F_\beta = (1+\beta^2) \frac{\textrm{precision} \cdot \textrm{recall}}{(\beta^2 \cdot\textrm{precision}) + \textrm{recall}}$

F

$F$

$t$ $F$ $F$

— Matt Krause
nguồn

Vâng, tôi đã sử dụng công thức đầu tiên. Điều này có nghĩa là việc tính trung bình điểm F từ các thử nghiệm khác nhau mang lại kết quả tương tự với độ chính xác trung bình và thu hồi và sau đó tính điểm F từ chúng. Tôi đã thử điều này trên kết quả mà tôi có và nó gần như giống nhau. Cảm ơn.

— Kalaji