F1- স্কোর এর নিকটতম স্বজ্ঞাত অর্থ রিকল এবং তার যথার্থতার মাধ্যম হিসাবে অনুধাবন করা হচ্ছে। আসুন আপনার জন্য এটি সাফ করুন:
শ্রেণিবদ্ধকরণের কার্যক্রমে আপনি উচ্চ নির্ভুলতা এবং পুনর্বিবেচনা সহ একটি শ্রেণিবদ্ধ তৈরি করার পরিকল্পনা করতে পারেন । উদাহরণস্বরূপ, একটি শ্রেণিবদ্ধকারী যা বলে যে কোনও ব্যক্তি সৎ কিনা।
যথাযথতার জন্য, আপনি সাধারণত কোনও নির্দিষ্ট গ্রুপে কতটা সৎ লোক আছেন তা সঠিকভাবে বলতে সক্ষম হন। এই ক্ষেত্রে, উচ্চ নির্ভুলতার পরিচর্যা করার সময়, আপনি ধরে নেন যে আপনি মিথ্যাবাদী ব্যক্তিকে সৎ হিসাবে চিহ্নিত করতে পারেন তবে প্রায়শই নয়। অন্য কথায়, এখানে আপনি সম্পূর্ণ গোষ্ঠী হিসাবে সৎ থেকে মিথ্যাবাদী সনাক্ত করার চেষ্টা করছেন।
তবে, স্মরণ করার জন্য, আপনি যদি মিথ্যাবাদী ব্যক্তিকে সৎ বলে মনে করেন তবে আপনি সত্যিই উদ্বিগ্ন। আপনার জন্য, এটি একটি বড় ক্ষতি এবং একটি বড় ভুল হবে এবং আপনি এটি আর করতে চান না। এছাড়াও, যদি আপনি সত্যবাদী কাউকে মিথ্যাবাদী হিসাবে শ্রেণীবদ্ধ করেন তবে আপনার মডেলটি কখনও মিথ্যাবাদী ব্যক্তিকে সৎ হিসাবে দাবি করতে (বা বেশিরভাগভাবে না করা) উচিত নয়। অন্য কথায়, এখানে আপনি একটি নির্দিষ্ট শ্রেণিতে মনোনিবেশ করছেন এবং আপনি এটি সম্পর্কে কোনও ভুল না করার চেষ্টা করছেন।
এখন, আপনি যেখানে আপনার মডেলটি চান তা সেই ক্ষেত্রে নেওয়া যাক (1) একটি মিথ্যাবাদী (নির্ভুলতা) (2) থেকে যথাযথভাবে সৎকে চিহ্নিত করতে (2) উভয় শ্রেণির প্রতিটি ব্যক্তিকে চিহ্নিত করুন (প্রত্যাহার)। যার অর্থ আপনি যে মডেলটি উভয় মেট্রিকের উপর ভাল পারফরম্যান্স করবেন তা নির্বাচন করবেন।
আপনি মডেল নির্বাচনের সিদ্ধান্তটি দুটি মেট্রিকের গড়ের ভিত্তিতে প্রতিটি মডেলকে মূল্যায়নের চেষ্টা করবে try এফ-স্কোর সেরা এটি যা বর্ণনা করতে পারে। সূত্রটি একবার দেখে নেওয়া যাক:
প্রত্যাহার করুন: পি = টিপি / (টিপি + এফপি)
পুনরুদ্ধার: আর = টিপি / (টিপি + এফএন)
এফ-স্কোর: fscore = 2 / (1 / আর + 1 / পি)
আপনি যেমন দেখেন, উচ্চতর স্মরণ এবং নির্ভুলতা, তত বেশি এফ-স্কোর।