Quali sono le differenze tra AUC e punteggio F1?

14

Il punteggio F1 è la media armonica di precisione e richiamo. L'asse y di richiamo è il vero tasso positivo (che è anche richiamo). Quindi, a volte i classificatori possono avere un basso richiamo ma una AUC molto alta, cosa significa?

— RockTheStar
fonte

3

L'AUC non è chiaro se non si specifica la curva. Intendi area sotto la curva ROC, area sotto la curva PR, ...?

— Marc Claesen,

Area sotto la curva.

— RockTheStar,

2

Quale curva? ROC? PR? Sollevamento?

— Marc Claesen,

Curva ROC. E il punteggio di F1 ottenuto da quello.

— RockTheStar,

18

Il punteggio F1 è applicabile per ogni punto particolare della curva ROC. Questo punto può rappresentare ad esempio un determinato valore di soglia in un classificatore binario e quindi corrisponde a un particolare valore di precisione e richiamo.

Ricorda, il punteggio F è un modo intelligente per rappresentare sia il richiamo che la precisione. Perché il punteggio F sia alto, sia la precisione che il richiamo dovrebbero essere alti.

Pertanto, la curva ROC è per vari livelli diversi di soglie e ha molti valori del punteggio F per vari punti sulla sua curva.

— Ragazzo di Londra
fonte

3

Aspetto interessante. Ma per quanto ho capito, il punteggio di F1 si basa su Richiamo e Precisione, mentre AUC / ROC consiste in Richiamo e Specificità. Sembra che non siano la stessa cosa. Sono d'accordo con il punteggio F è un punto e ROC è un insieme di punti con soglia diversa, ma non penso che siano la stessa causa di diversa definizione. Potete aiutarmi a renderlo più chiaro. Grazie

— Catbuilt

8

L'AUC è di dimensione [PRECISIONE] * [RICHIAMA] ed è l'area sotto la curva ROC. F1 è per una coppia fissa di precisione e richiamo. Quindi sono diversi. Ma ci sono alcune connessioni. Vedi questo: http://pages.cs.wisc.edu/~jdavis/davisgoadrichcamera2.pdf

— Daniel
fonte

2

Gli assi di una curva ROC sono il tasso positivo reale (richiamo, sensibilità AKA) e il tasso falso positivo (tasso di falso allarme) , non precisione, AKA PPV, valore predittivo positivo .

— Ling Ma
fonte