F1 Skoru Nedir?

F1 skoru, sınıflandırma modellerinin başarısını ölçmek için kesinlik ve duyarlılığı tek bir sayıda toplayan bir değerlendirme metriğidir. Özellikle sınıfların dengesiz dağıldığı problemlerde, yalnızca doğruluk oranına bakmanın yanıltıcı olabileceği durumlarda tercih edilir.

F1 skoru nedir?

Bir model "pozitif" dediği örneklerde ne kadar isabetliyse kesinliği o kadar yüksektir. Gerçek pozitiflerin ne kadarını yakalayabiliyorsa duyarlılığı o kadar yüksektir. Bu iki ölçüt çoğu zaman birbirini dengeler: Birini artırmak diğerini düşürebilir. F1 skoru, ikisini harmonik ortalamayla birleştirir:

F1 = 2 × (Kesinlik × Duyarlılık) / (Kesinlik + Duyarlılık)

Harmonik ortalama, düşük olan değeri daha çok cezalandırır. Bu yüzden kesinliği 0,95 ama duyarlılığı 0,10 olan bir model yüksek F1 alamaz.

Örnek hesaplama

Varsayımsal bir spam filtresi düşün. Model 100 e-postayı spam olarak işaretliyor; bunların 80'i gerçekten spam. Gelen kutusunda toplam 160 spam e-posta var.

• Kesinlik = 80 / 100 = 0,80
• Duyarlılık = 80 / 160 = 0,50
• F1 = 2 × (0,80 × 0,50) / (0,80 + 0,50) ≈ 0,62

Aritmetik ortalama 0,65 verirdi; F1 ise zayıf olan duyarlılığı öne çıkarır.

Nelere dikkat etmeli?

• F1, doğru negatifleri hesaba katmaz; negatif sınıfın önemli olduğu durumlarda tek başına yeterli değildir.
• Çok sınıflı problemlerde makro, mikro ve ağırlıklı F1 gibi farklı ortalama türleri vardır; hangisinin raporlandığına bak.
• Kesinlik ile duyarlılığın önemi eşit değilse F-beta skoru daha uygun olabilir.

Hesabın dayandığı sayıları görmek için karışıklık matrisi maddesine göz atabilirsin.