Skor F1

Skor F1, juga dikenal sebagai F-measure atau F-score, adalah ukuran keakuratan suatu tes. Ini adalah kombinasi presisi dan perolehan. Presisi menyatakan persentase hasil positif yang diprediksi dengan benar di antara semua prediksi positif, sedangkan perolehan menyatakan persentase hasil positif yang diprediksi dengan benar di antara semua sampel yang relevan. Skor F1 adalah rata-rata harmonik antara presisi dan perolehan.

Skor F1 digunakan untuk mengevaluasi performa model dalam tugas klasifikasi biner seperti pemfilteran spam. Ini melengkapi presisi dan perolehan, yang juga digunakan dalam evaluasi model. Skor F1 adalah ukuran yang paling umum digunakan di antara semua ukuran akurasi yang tersedia untuk klasifikasi biner.

Untuk menghitung skor F1, ada dua istilah—presisi dan recall—yang dihitung sebagai:

● Presisi = (Positif Benar) / (Positif Benar + Positif Palsu)
● Penarikan Kembali = (Positif Benar) / (Positif Benar + Negatif Palsu)

Skor F1 kemudian dihitung sebagai:

Skor F1 = 2 (Presisi x Recall) / (Presisi + Recall)

Skor F1 menggabungkan presisi dan perolehan menjadi satu ukuran. Namun, ini tidak selalu merupakan pilihan terbaik, karena nilainya bisa menjadi tidak ada jika salah satu dari dua suku tersebut adalah nol (seperti dalam kasus presisi sempurna dan perolehan sempurna di mana salah satu akan menjadi nol). Dalam kasus seperti ini, skor Föbeta sebaiknya digunakan.

Kesimpulannya, skor F1 merupakan ukuran keakuratan model klasifikasi. Ini dihitung dengan menggabungkan presisi dan perolehan dan paling banyak digunakan sebagai ukuran akurasi untuk masalah klasifikasi biner.