Все формулы РФ

Аналитика / Продуктовые метрики

Precision, recall и F1 для классификации

Precision, recall и F1 для классификации: формула F_1=\frac{2PR}{P+R} помогает требуется требуется требуется требуется требуется важны и точность, и полнота. В тексте есть условия, пример, ошибки и проверка результата.

Опубликовано: Обновлено:

Продуктовые метрикиАналитикаАнализ данныхКалькуляторСтраницы с задачами и решениямиPrecision, recallЕсть историческая справка

Формула

$$F_1=\frac{2PR}{P+R}$$

Обозначения

$F_1$
параметр формулы F_1, значение выбирают из условия задачи
$P$
вероятность, мощность, цена или платеж
$R$
сопротивление, радиус, риск или результат

Условия применения

  • Формулу применяют, когда величины F_1, P, R заданы для одной и той же ситуации, периода или объекта.
  • Значения для расчета согласованы по смыслу: F_1 — параметр формулы F_1, значение выбирают из условия задачи; P — вероятность, мощность, цена или платеж.
  • Единицы, период наблюдения, лист таблицы или расчетная схема выбраны до подстановки.

Ограничения

  • Формула относится к области продуктовой аналитики и не заменяет выбор модели.
  • Если данные взяты из разных источников или периодов, результат нельзя сравнивать напрямую.
  • Округление промежуточных строк допустимо только после проверки единиц и масштаба.

Подробное объяснение

Смысл страницы «Precision, recall и F1 для классификации» — требуется требуется требуется требуется требуется требуется важны и точность, и полнота. Формула F_1=\frac{2PR}{P+R} нужна не сама по себе, а как короткая модель из области продуктовой аналитики. Перед вычислением проверяют условие: Формулу применяют, когда величины F_1, P, R заданы для одной и той же ситуации, периода или объекта. Обозначения читают до арифметики: F_1 — параметр формулы F_1, значение выбирают из условия задачи; P — вероятность, мощность, цена или платеж; R — сопротивление, радиус, риск или результат. Похожую величину с другой базой не берут автоматически. Такой шаг особенно важен в материалах, где рядом стоят близкие формулы. Рабочая ситуация: в воронке регистрации отделяют показы, клики, старты формы и успешные регистрации, чтобы каждая метрика отвечала на свой вопрос. Достаточно одной подстановки и проверки. Показатель должен отвечать бизнес-вопросу: доля, среднее, retention или churn нельзя менять местами только потому, что формулы похожи; для этой записи отдельно сверяют F_1 — параметр формулы F_1, значение выбирают из условия задачи. После получения результата его сверяют с ограничениями. Знак, единица и порядок величины должны соответствовать исходной модели. Если проверка не проходит, исправляют не финальную строку, а выбор данных.

Как пользоваться формулой

  1. Сформулируйте, что именно нужно найти, и выберите запись F_1=\frac{2PR}{P+R}.
  2. Выпишите исходные величины: F_1 — параметр формулы F_1, значение выбирают из условия задачи; P — вероятность, мощность, цена или платеж; R — сопротивление, радиус, риск или результат.
  3. Проверьте единицы, период, диапазон таблицы или геометрическую схему.
  4. Подставьте значения без раннего округления.
  5. Сверьте знак, масштаб и поведение результата при изменении главного параметра.

Историческая справка

История записи «Precision, recall и F1 для классификации» связана с практикой продуктовой аналитики. Такие формулы закреплялись потому, что помогали требуется требуется требуется требуется требуется требуется важны и точность, и полнота. В учебниках и справочниках постепенно стабилизировались обозначения: F_1 — параметр формулы F_1, значение выбирают из условия задачи; P — вероятность, мощность, цена или платеж. Современная форма F_1=\frac{2PR}{P+R} ценна тем, что дает короткий путь от условия к проверяемому результату. Для этой страницы историческая справка полезна еще и как защита от неверной аналогии: Формулу применяют, когда величины F_1, P, R заданы для одной и той же ситуации, периода или объекта. В разных источниках могут меняться буквы, порядок записи и единицы, но расчетная потребность остается прежней: сначала выбрать модель, затем проверить данные и только потом считать. Исторический блок здесь нужен не для украшения, а для понимания модели и ее границ.

Историческая линия формулы

У записи «Precision, recall и F1 для классификации» нет одного бытового автора. Контекст — развитие продуктовой аналитики. Также важны учебные курсы и рабочие методики. Формула F_1=\frac{2PR}{P+R} здесь дана как современная расчетная запись. Имена из источников уточняют историю метода, но не заменяют условия применения.

Пример

Пример: для продукта берут недельный отчет: 18 000 активных клиентов, 2 700 повторных визитов и 1 120 оплат, после чего считают только метрики с одинаковой базой. Цель для «Precision, recall и F1 для классификации» — требуется требуется требуется требуется требуется требуется важны и точность, и полнота. Сначала делают мини-таблицу параметров и отмечают источник каждого числа. Рабочие величины: F_1 — параметр формулы F_1, значение выбирают из условия задачи; P — вероятность, мощность, цена или платеж; R — сопротивление, радиус, риск или результат. Дальше данные подставляют в F_1=\frac{2PR}{P+R} без смены модели по ходу решения. Показатель должен отвечать бизнес-вопросу: доля, среднее, retention или churn нельзя менять местами только потому, что формулы похожи; для этой записи отдельно сверяют F_1 — параметр формулы F_1, значение выбирают из условия задачи. В конце меняют один ключевой параметр мысленно. Направление изменения должно совпасть со смыслом задачи.

Частая ошибка

В «Precision, recall и F1 для классификации» ошибка часто появляется до арифметики. Сверьте обозначения: F_1 — параметр формулы F_1, значение выбирают из условия задачи; P — вероятность, мощность, цена или платеж; R — сопротивление, радиус, риск или результат. Ошибки обычно появляются из-за смешения когорт, повторного учета одного клиента, разных временных окон и попытки сравнить абсолютные числа без одинаковой базы. Если ответ выглядит правдоподобно, проверьте его источник. Порядок простой: символ, значение, единица, источник, подстановка, округление.

Практика

Задачи с решением

Проверить исходные данные

Условие. Для «Precision, recall и F1 для классификации» заданы величины из условия. Нужно требуется требуется требуется требуется требуется требуется важны и точность, и полнота.

Решение. Составляем таблицу символов, значений, единиц и источников. Убираем данные, которые относятся к другой модели.

Ответ. К расчету оставлены только согласованные исходные величины.

Выполнить подстановку

Условие. Данные согласованы, требуется применить F_1=\frac{2PR}{P+R}.

Решение. Подставляем значения, сохраняем промежуточную точность и отдельно проверяем единицу результата.

Ответ. Ответ принимается только после проверки знака, масштаба и смысла.

Дополнительные источники

  • NIST/SEMATECH e-Handbook of Statistical Methods, hypothesis tests and regression diagnostics.
  • Kohavi, Tang, Xu. Trustworthy Online Controlled Experiments, Cambridge University Press, 2020.
  • Hyndman, Athanasopoulos. Forecasting: Principles and Practice, 3rd edition.

Связанные формулы

Аналитика

ROC AUC методом трапеций по точкам

$AUC=\sum\frac{TPR_i+TPR_{i-1}}{2}(FPR_i-FPR_{i-1})$

ROC AUC методом трапеций по точкам: формула AUC=\sum\frac{TPR_i+TPR_{i-1}}{2}(FPR_i-FPR_{i-1}) помогает величины AUC, TPR, FPR заданы для одной и той же ситуации, периода или объекта. В тексте есть условия, пример, ошибки и проверка результата.

Аналитика

Binary log loss для вероятностной классификации

$L=-\frac1n\sum(y\log p+(1-y)\log(1-p))$

Binary log loss для вероятностной классификации: формула L=-\frac1n\sum(y\log p+(1-y)\log(1-p)) помогает величины L, n, y, p заданы для одной и той же ситуации, периода или объекта. В тексте есть условия, пример, ошибки и проверка результата.

Аналитика

Brier score для вероятностного прогноза

$BS=\frac1n\sum(p_i-y_i)^2$

Brier score для вероятностного прогноза: формула BS=\frac1n\sum(p_i-y_i)^2 помогает величины BS, p_i, y_i, n заданы для одной и той же ситуации, периода или объекта. В тексте есть условия, пример, ошибки и проверка результата.

Аналитика

sMAPE для ошибки прогноза

$sMAPE=\frac{100}{n}\sum\frac{|F_t-A_t|}{(|A_t|+|F_t|)/2}$

sMAPE для ошибки прогноза: формула sMAPE=\frac{100}{n}\sum\frac{|F_t-A_t|}{(|A_t|+|F_t|)/2} помогает величины F_t, A_t, n заданы для одной и той же ситуации, периода или объекта. В тексте есть условия, пример, ошибки и проверка результата.