F1 分数

了解 F1 分数

F1 分数是精确度和召回率的调和平均值。要理解 F1 分数，首先要掌握精确度和召回率的概念。精确度衡量的是正向预测的准确性，表明在正向预测的实例中，有多大比例确实是正向的。高精确度意味着当模型预测正结果时，它很可能是正确的。召回率则衡量正向预测的完整性，显示模型正确识别的实际正向实例的比例。高召回率意味着模型能有效识别大部分正向实例。

F1 分数将这两个指标合并为一个分数，可以均衡地反映分类器的性能，尤其是在类别分布不均衡的情况下。高 F1 分数表明模型具有高精确度和高召回率。在使用Ultralytics YOLO 模型进行物体检测等情况下，精确检测物体（精确度）和找到图像中存在的所有物体实例（召回率）都很重要，因此 F1-Score 尤其有价值。

相关性和使用案例

F1 分数被广泛应用于人工智能和 ML 的各种应用中，尤其是在数据集不平衡或假阳性和假阴性都会造成重大损失的情况下。下面是几个现实世界中的例子：

• 医学诊断：在医学图像分析（如肿瘤检测）中，漏检肿瘤（召回率低）与错误地将良性组织识别为癌症（精确度低）同样重要。F1-Score 有助于平衡这些问题，确保诊断模型既有足够的灵敏度来检测疾病，又有足够的精确度来减少误报。例如，在使用Ultralytics YOLO11 医学影像中的脑肿瘤检测中，高 F1-Score 表示模型稳健，能够进行可靠的诊断。
• 安全系统：在安防报警系统中，如那些通过计算机视觉增强的防盗 系统，F1 分数至关重要。高召回率的系统可确保检测到大多数安全威胁，而高精确度则可最大限度地减少误报，因为误报会降低用户的敏感度或浪费资源。在NVIDIA Jetson 等平台上部署的用于实时安全应用的模型可受益于 F1-Score 优化，从而实现可靠、高效的性能。

F1 分数与其他指标的比较

虽然准确率是一个常用指标，但在不平衡的数据集上，当一类数据明显多于另一类数据时，准确率就会产生误导。例如，在欺诈检测系统中，欺诈交易非常罕见，一个模型只需在大多数情况下预测 "无欺诈"，就能获得很高的准确率。但是，这种模型的召回率和 F1 分数可能很低，无法检测到实际的欺诈案例。

在这种情况下，F1-Score 通过同时考虑精确度和召回率来提供更有参考价值的评估。如果一个模型的准确率很高，但 F1-Score 却很低，这说明准确率和召回率不平衡，通常表明该模型没有有效地处理少数类别。因此，在评估模型时，尤其是在使用Ultralytics YOLO 进行对象检测或图像分类等任务中，将 F1-Score 与平均精度 (mAP)和联合交叉 (IoU)等其他指标一起考虑，可以更全面地了解模型的性能。Ultralytics 提供了评估这些性能指标的工具和指南，YOLO ，以确保优化模型的选择和调整。要进一步了解相关指标，scikit-learn 有关F1-Score的文档等资源可提供详细的见解。