深度学习F2-Score及其他(F-Score)

在深度学习中，精确率(Precision)和召回率(Recall)是常用的评价模型性能的指标，从公式上看两者并没有太大的关系，但是实际中两者是相互制约的。我们都希望模型的精确了和召回率都很高，但是当精确率高的时候，召回率往往较低；召回率较高的时候精确率往往较低。

往往需要对模型的精确率和召回率做出取舍：

比如在一般的搜索任务时，在保证召回率的同时，尽量提高精确率；

在癌症检测、金融诈骗任务时，在保证精确率的同时，尽量提高召回率。

很多时候，我们需要综合权衡这2个指标，这就引出了一个新的指标F-Score，这是综合考虑Precision和Recall的调和值

                                                  

当 时，成为F1-Score，这时召回率和精确率都很重要，权重相同。当有些情况下我们认为精确率更为重要，那就调整 β 的值小于 1 ，如果我们认为召回率更加重要，那就调整 β的值大于1，比如F2-Score。

举个栗子：

癌症检查数据样本有10000个，其中10个是有癌症的样本。假设无癌症的9900个样本中预测正确了9980个，在10个癌症数据中预测正确了9个，此时：
Accuracy = (9+9980)/10000 = 99.89%

Precision = 9/(9 + 10) = 47.36%

Recall = 9 / 10 = 90%

F1-score = 2 x (47.36% x 90%)/(1 x 47.36% + 90%)

F2-score = 2 x (47.36% x 90%)/(4 x 47.36% + 90%)