R yardstick f_meas F 测量

这些函数计算测量系统的 f_meas()，用于查找与参考结果(相关性的真相)相比的相关文档。高度相关的函数是 recall() 和 precision() 。

用法

f_meas(data, ...)

# S3 method for data.frame
f_meas(
  data,
  truth,
  estimate,
  beta = 1,
  estimator = NULL,
  na_rm = TRUE,
  case_weights = NULL,
  event_level = yardstick_event_level(),
  ...
)

f_meas_vec(
  truth,
  estimate,
  beta = 1,
  estimator = NULL,
  na_rm = TRUE,
  case_weights = NULL,
  event_level = yardstick_event_level(),
  ...
)

参数

data: 包含 truth 和 estimate 参数指定的列的 data.frame，或者 table /matrix，其中真正的类结果应位于表的列中。
...: 目前未使用。
truth: 真实类结果的列标识符(即 factor )。这应该是一个不带引号的列名，尽管此参数是通过表达式传递的并且支持quasiquotation(您可以不带引号的列名)。对于 _vec() 函数，一个 factor 向量。
estimate: 预测类结果的列标识符(也是 factor )。与 truth 一样，可以通过不同的方式指定，但主要方法是使用不带引号的变量名称。对于 _vec() 函数，一个 factor 向量。
beta: 用于衡量精确度和召回率的数值。传统上使用值 1，它对应于两个值的调和平均值，但其他值的权重召回率 beta 倍比精度更重要。
estimator: 其中之一： "binary" 、 "macro" 、 "macro_weighted" 或 "micro" 指定要完成的平均类型。 "binary" 仅与两类情况相关。其他三种是计算多类指标的通用方法。默认会根据 estimate 自动选择 "binary" 或 "macro" 。
na_rm: logical 值，指示在计算继续之前是否应剥离 NA 值。
case_weights: 案例权重的可选列标识符。这应该是一个不带引号的列名称，其计算结果为 data 中的数字列。对于 _vec() 函数，一个数值向量。
event_level: 单个字符串。 "first" 或"second" 指定将truth 的哪个级别视为"event"。此参数仅适用于 estimator = "binary" 。默认使用内部帮助程序，通常默认为 "first" ，但是，如果设置了已弃用的全局选项 yardstick.event_first ，则将使用该帮助程序并发出警告。

值

tibble 包含列 .metric 、 .estimator 和 .estimate 以及 1 行值。

对于分组 DataFrame ，返回的行数将与组数相同。

对于 f_meas_vec() ，单个 numeric 值(或 NA )。

细节

测量"F" 是精确率和召回率的组合(见下文)。

多级

此指标可使用宏观、微观和宏观加权平均。如果提供了超过 2 个级别的 truth 因子，则默认选择宏平均。否则，将进行标准二进制计算。有关详细信息，请参阅vignette("multiclass", "yardstick")。

执行

假设一个 2x2 表，其符号为：

	Reference
Predicted	Relevant	Irrelevant
Relevant	A	B
Irrelevant	C	D

这里使用的公式是：

有关统计数据的讨论，请参阅引用。

参考

巴克兰，M.，和盖伊，F. (1994)。召回率和精度之间的关系。美国信息科学学会杂志，45(1), 12-19。

鲍尔斯，D.(2007)。评估：从精确率、召回率和 F 因子到 ROC、知情性、标记性和相关性。技术报告 SIE-07-001，弗林德斯大学

也可以看看

其他类指标：accuracy() , bal_accuracy() , detection_prevalence() , j_index() , kap() , mcc() , npv() , ppv() , precision() , recall() , sens() , spec()

其他相关性指标：precision()、recall()

作者

马克斯·库恩

例子

# Two class
data("two_class_example")
f_meas(two_class_example, truth, predicted)
#> # A tibble: 1 × 3
#>   .metric .estimator .estimate
#>   <chr>   <chr>          <dbl>
#> 1 f_meas  binary         0.849

# Multiclass
library(dplyr)
data(hpc_cv)

hpc_cv %>%
  filter(Resample == "Fold01") %>%
  f_meas(obs, pred)
#> # A tibble: 1 × 3
#>   .metric .estimator .estimate
#>   <chr>   <chr>          <dbl>
#> 1 f_meas  macro          0.563

# Groups are respected
hpc_cv %>%
  group_by(Resample) %>%
  f_meas(obs, pred)
#> # A tibble: 10 × 4
#>    Resample .metric .estimator .estimate
#>    <chr>    <chr>   <chr>          <dbl>
#>  1 Fold01   f_meas  macro          0.563
#>  2 Fold02   f_meas  macro          0.542
#>  3 Fold03   f_meas  macro          0.641
#>  4 Fold04   f_meas  macro          0.593
#>  5 Fold05   f_meas  macro          0.570
#>  6 Fold06   f_meas  macro          0.554
#>  7 Fold07   f_meas  macro          0.516
#>  8 Fold08   f_meas  macro          0.601
#>  9 Fold09   f_meas  macro          0.555
#> 10 Fold10   f_meas  macro          0.560

# Weighted macro averaging
hpc_cv %>%
  group_by(Resample) %>%
  f_meas(obs, pred, estimator = "macro_weighted")
#> # A tibble: 10 × 4
#>    Resample .metric .estimator     .estimate
#>    <chr>    <chr>   <chr>              <dbl>
#>  1 Fold01   f_meas  macro_weighted     0.696
#>  2 Fold02   f_meas  macro_weighted     0.684
#>  3 Fold03   f_meas  macro_weighted     0.739
#>  4 Fold04   f_meas  macro_weighted     0.689
#>  5 Fold05   f_meas  macro_weighted     0.692
#>  6 Fold06   f_meas  macro_weighted     0.673
#>  7 Fold07   f_meas  macro_weighted     0.646
#>  8 Fold08   f_meas  macro_weighted     0.701
#>  9 Fold09   f_meas  macro_weighted     0.652
#> 10 Fold10   f_meas  macro_weighted     0.680

# Vector version
f_meas_vec(
  two_class_example$truth,
  two_class_example$predicted
)
#> [1] 0.8485981

# Making Class2 the "relevant" level
f_meas_vec(
  two_class_example$truth,
  two_class_example$predicted,
  event_level = "second"
)
#> [1] 0.8258065

源代码：R/class-f_meas.R

相关用法

注：本文由纯净天空筛选整理自Max Kuhn等大神的英文原创作品 F Measure。非经特殊声明，原始代码版权归原作者所有，本译文未经允许或授权，请勿转载或复制。

用法

参数

值

细节

相关级别

多级

执行

参考

也可以看看

作者

例子