F1,AUC的区别与选择

1. 引入

评价一个分类器模型的效果，可以用交叉验证，也可以根据场景将数据切分为训练集、测试集，评价指标有Accuracy,F1-Value,AUC等。

那我们该如何选择评价指标呢？不同场景下选择哪个指标更合理呢？

2. 原理区别

1. Accuracy

• 准确率
• 准确率高的模型，不一定是好模型
• 比如癌症预测，100个人中只有一个病人，若分类器都输出0，准确率为99%，但我们都知道这无法找到任何一个癌症病人
• 所以大部分场景，都不能直接根据Accuracy来评价模型

2. F1-Value

• 综合考虑了Precision和Recall的结果
• 能很好的平衡Precision和Recall
• 适用于大部分场景
• 若数据分布不平衡，则会选择F1进行评估（参考2）

3. AUC

• AUC越大，表示True Positives 和 True Negatives 之间的差异就越大

3. 总结

1. F1希望训练出一个不放过任何一种可能的模型

• 比如欺诈检测、癌症检测，漏诊是不负责的，宁可错杀一千，也不放过一个

2. AUC希望训练出一个尽量不误报的模型

• 比如推荐算法，推荐错了用户会非常反感

3. ACC大部分场景都不能直接根据ACC来评价模型

4. 参考

1. 详解ROC/AUC计算过程

• https://blog.csdn.net/ybdesire/article/details/51999995

2. F1 Score vs ROC AUC

• https://stackoverflow.com/questions/44172162/f1-score-vs-roc-auc

3. F1 Score vs ROC AUC vs Accuracy vs PR AUC: Which Evaluation Metric Should You Choose?

• https://neptune.ai/blog/f1-score-accuracy-roc-auc-pr-auc

4. 深入理解实际场景下 AUC vs F1 的区别

• https://blog.csdn.net/Jerry_Lu_ruc/article/details/107912462

5. 精确率、召回率、F1 值、ROC、AUC 各自的优缺点是什么

• https://www.zhihu.com/question/30643044