R yardstick f_meas F 測量

這些函數計算測量係統的 f_meas()，用於查找與參考結果(相關性的真相)相比的相關文檔。高度相關的函數是 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(),
  ...
)

參數

data: 包含 truth 和 estimate 參數指定的列的 data.frame，或者 table /matrix，其中真正的類結果應位於表的列中。
...: 目前未使用。
truth: 真實類結果的列標識符(即 factor )。這應該是一個不帶引號的列名，盡管此參數是通過表達式傳遞的並且支持quasiquotation(您可以不帶引號的列名)。對於 _vec() 函數，一個 factor 向量。
estimate: 預測類結果的列標識符(也是 factor )。與 truth 一樣，可以通過不同的方式指定，但主要方法是使用不帶引號的變量名稱。對於 _vec() 函數，一個 factor 向量。
beta: 用於衡量精確度和召回率的數值。傳統上使用值 1，它對應於兩個值的調和平均值，但其他值的權重召回率 beta 倍比精度更重要。
estimator: 其中之一： "binary" 、 "macro" 、 "macro_weighted" 或 "micro" 指定要完成的平均類型。 "binary" 僅與兩類情況相關。其他三種是計算多類指標的通用方法。默認會根據 estimate 自動選擇 "binary" 或 "macro" 。
na_rm: logical 值，指示在計算繼續之前是否應剝離 NA 值。
case_weights: 案例權重的可選列標識符。這應該是一個不帶引號的列名稱，其計算結果為 data 中的數字列。對於 _vec() 函數，一個數值向量。
event_level: 單個字符串。 "first" 或"second" 指定將truth 的哪個級別視為"event"。此參數僅適用於 estimator = "binary" 。默認使用內部幫助程序，通常默認為 "first" ，但是，如果設置了已棄用的全局選項 yardstick.event_first ，則將使用該幫助程序並發出警告。

值

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

對於分組 DataFrame ，返回的行數將與組數相同。

對於 f_meas_vec() ，單個 numeric 值(或 NA )。

細節

測量"F" 是精確率和召回率的組合(見下文)。

多級

此指標可使用宏觀、微觀和宏觀加權平均。如果提供了超過 2 個級別的 truth 因子，則默認選擇宏平均。否則，將進行標準二進製計算。有關詳細信息，請參閱vignette("multiclass", "yardstick")。

執行

假設一個 2x2 表，其符號為：

	Reference
Predicted	Relevant	Irrelevant
Relevant	A	B
Irrelevant	C	D

這裏使用的公式是：

有關統計數據的討論，請參閱引用。

參考

巴克蘭，M.，和蓋伊，F. (1994)。召回率和精度之間的關係。美國信息科學學會雜誌，45(1), 12-19。

鮑爾斯，D.(2007)。評估：從精確率、召回率和 F 因子到 ROC、知情性、標記性和相關性。技術報告 SIE-07-001，弗林德斯大學

也可以看看

其他類指標：accuracy() , bal_accuracy() , detection_prevalence() , j_index() , kap() , mcc() , npv() , ppv() , precision() , recall() , sens() , spec()

其他相關性指標：precision()、recall()

作者

馬克斯·庫恩

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

源代碼：R/class-f_meas.R

相關用法

注：本文由純淨天空篩選整理自Max Kuhn等大神的英文原創作品 F Measure。非經特殊聲明，原始代碼版權歸原作者所有，本譯文未經允許或授權，請勿轉載或複製。

用法

參數

值

細節

相關級別

多級

執行

參考

也可以看看

作者

例子