Что такое F1?

# F1-Score

F1-score = гармоническое среднее Precision и Recall:

F1 = 2 * (Precision * Recall) / (Precision + Recall)

Простыми словами

F1 объединяет две метрики (Precision и Recall) в одну, давая вес обоим типам ошибок.

Когда использовать F1

1. Дисбалансированные классы — когда одного класса 95%, другого 5%
2. Precision и Recall одинаково важны — нужен баланс
3. Одна метрика для сравнения — вместо двух смотрим на одну

Когда НЕ использовать F1

• Медицина — нужен высокий Recall, F1 менее важна
• Email spam — нужна высокая Precision, Recall менее важна
• Разная стоимость ошибок — например, FP в 10 раз дороже FN

Пример

Модель A: Precision: 90% Recall: 30% F1: 45%

Модель B: Precision: 50% Recall: 80% F1: 62% (лучше!)

Многоклассовая классификация

• Macro F1 — среднее по всем классам (игнорирует дисбаланс)
• Weighted F1 — взвешенное среднее (учитывает дисбаланс) - рекомендуется
• Micro F1 — глобальные TP/FP/FN

Диапазон

• F1 = 1.0 -> идеальная модель
• F1 = 0.5 -> балансовая
• F1 = 0.0 -> все неправильно

F1 >= 0.75 обычно означает хорошую модель для production.