āļ„āļđāđˆāļĄāļ·āļ­āļžāļ·āđ‰āļ™āļāļēāļ™

āļ„āļ°āđāļ™āļ™ F1 āđāļĨāļ° F-Beta

F1 āļœāļŠāļĄāļœāļŠāļēāļ™āļ„āļ§āļēāļĄāđāļĄāđˆāļ™āļĒāļģāđāļĨāļ°āļāļēāļĢāđ€āļĢāļĩāļĒāļāļ„āļ·āļ™āļœāđˆāļēāļ™āļ„āđˆāļēāđ€āļ‰āļĨāļĩāđˆāļĒāļŪāļēāļĢāđŒāļĄāļ­āļ™āļīāļ āđ‚āļ”āļĒāđƒāļŦāđ‰āļĢāļēāļ‡āļ§āļąāļĨāđāļāđˆāļ•āļąāļ§āđāļĒāļāļ›āļĢāļ°āđ€āļ āļ—āđ€āļ‰āļžāļēāļ°āđ€āļĄāļ·āđˆāļ­āļ—āļąāđ‰āļ‡āļŠāļ­āļ‡āļĄāļĩāļ„āļ§āļēāļĄāđāļ‚āđ‡āļ‡āđāļāļĢāđˆāļ‡āļžāļ­āļŠāļĄāļ„āļ§āļĢ

āļŸāļąāļ‡āļ„āļģāđāļ™āļ°āļ™āļģāļ™āļĩāđ‰āļšāļĢāļĢāļĒāļēāļĒāđ‚āļ”āļĒ AI · ~3 min

āļšāļ™āļŦāļ™āđ‰āļēāļ™āļĩāđ‰āļ­āđˆāļēāļ™ 3 āļ™āļēāļ—āļĩ
  1. āļ āļēāļžāļĢāļ§āļĄ
  2. āđ€āļˆāļēāļ°āļĨāļķāļ
  3. āļāļēāļĢāđƒāļŠāđ‰āļ‡āļēāļ™āļˆāļĢāļīāļ‡āđƒāļ™āđ‚āļĨāļāđāļŦāđˆāļ‡āļ„āļ§āļēāļĄāđ€āļ›āđ‡āļ™āļˆāļĢāļīāļ‡
  4. āļ­āļ™āļēāļ„āļ•āļ‚āļ­āļ‡āļ„āļ°āđāļ™āļ™ F1 āđāļĨāļ° F-Beta
  5. āļāļēāļĢāļ™āļģāđ„āļ›āļ›āļāļīāļšāļąāļ•āļī
  6. āļŠāļģāļĢāļ§āļˆāļ•āđˆāļ­āđ„āļ›
  7. āļ„āļģāļ–āļēāļĄāļ—āļĩāđˆāļžāļšāļšāđˆāļ­āļĒ

āļ āļēāļžāļĢāļ§āļĄ

F-beta āđƒāļŠāđ‰āļžāļēāļĢāļēāļĄāļīāđ€āļ•āļ­āļĢāđŒāđ€āļžāļ·āđˆāļ­āđ€āļžāļīāđˆāļĄāļ™āđ‰āļģāļŦāļ™āļąāļāđƒāļŦāđ‰āļāļąāļšāļāļēāļĢāđ€āļĢāļĩāļĒāļāļ„āļ·āļ™āļŦāļĢāļ·āļ­āļ„āļ§āļēāļĄāđāļĄāđˆāļ™āļĒāļģāļŠāļģāļŦāļĢāļąāļšāļ‡āļēāļ™āļ—āļĩāđˆāļĢāļ°āļšāļļ āļ„āļ°āđāļ™āļ™āđ€āļŦāļĨāđˆāļēāļ™āļĩāđ‰āļ‚āļķāđ‰āļ™āļ­āļĒāļđāđˆāļāļąāļšāļĢāļ°āļ”āļąāļšāđ€āļŠāļīāļ‡āļšāļ§āļ āđ€āļāļ“āļ‘āđŒ āđāļĨāļ°āļ§āļīāļ˜āļĩāļāļēāļĢāđ€āļ‰āļĨāļĩāđˆāļĒāļ—āļĩāđˆāđ€āļĨāļ·āļ­āļ āđāļĨāļ°āđ„āļĄāđˆāđ„āļ”āđ‰āļŠāļĢāļļāļ›āļ‚āđ‰āļ­āļāļąāļ‡āļ§āļĨāļ”āđ‰āļēāļ™āļ•āđ‰āļ™āļ—āļļāļ™āļŦāļĢāļ·āļ­āļ„āļ§āļēāļĄāđ€āļ›āđ‡āļ™āļ˜āļĢāļĢāļĄāļ—āļąāđ‰āļ‡āļŦāļĄāļ”

āđ€āļˆāļēāļ°āļĨāļķāļ

āļžāļĢāļĩāļ‹āļīāļŠāļąāđˆāļ™āļ–āļēāļĄāļ§āđˆāļēāļŠāđˆāļ§āļ™āđāļšāđˆāļ‡āļ‚āļ­āļ‡āļāļĢāļ“āļĩāļ—āļĩāđˆāđ€āļ›āđ‡āļ™āļšāļ§āļāļ—āļĩāđˆāļ„āļēāļ”āļāļēāļĢāļ“āđŒāđ„āļ§āđ‰āļ™āļąāđ‰āļ™āđ€āļ›āđ‡āļ™āļšāļ§āļāļ­āļĒāđˆāļēāļ‡āđāļ—āđ‰āļˆāļĢāļīāļ‡ āļāļēāļĢāđ€āļĢāļĩāļĒāļāļ„āļ·āļ™āļ–āļēāļĄāļ§āđˆāļēāļžāļšāļŠāđˆāļ§āļ™āđāļšāđˆāļ‡āļ‚āļ­āļ‡āļœāļđāđ‰āļ›āđˆāļ§āļĒāļ—āļĩāđˆāđ€āļ›āđ‡āļ™āļšāļ§āļāļˆāļĢāļīāļ‡āļˆāļģāļ™āļ§āļ™āđ€āļ—āđˆāļēāđƒāļ” F1 āļĢāļ§āļĄāļžāļ§āļāļĄāļąāļ™āđ€āļ›āđ‡āļ™āļ„āđˆāļēāđ€āļ‰āļĨāļĩāđˆāļĒāļŪāļēāļĢāđŒāļĄāļ­āļ™āļīāļ 2 × āļ„āļ§āļēāļĄāđāļĄāđˆāļ™āļĒāļģ × āļāļēāļĢāđ€āļĢāļĩāļĒāļāļ„āļ·āļ™ āļŦāļēāļĢāļ”āđ‰āļ§āļĒāļœāļĨāļĢāļ§āļĄāđ€āļĄāļ·āđˆāļ­āļ•āļąāļ§āļŠāđˆāļ§āļ™āļ™āļąāđ‰āļ™āđ„āļĄāđˆāđƒāļŠāđˆāļĻāļđāļ™āļĒāđŒ āļ„āđˆāļēāđ€āļ‰āļĨāļĩāđˆāļĒāļŪāļēāļĢāđŒāļĄāļ­āļ™āļīāļāļˆāļ°āļĨāļ”āļĨāļ‡āđ€āļĄāļ·āđˆāļ­āļŠāđˆāļ§āļ™āļ›āļĢāļ°āļāļ­āļšāļŦāļ™āļķāđˆāļ‡āļĄāļĩāļ„āđˆāļēāļ•āđˆāļģ āļ”āļąāļ‡āļ™āļąāđ‰āļ™āļ•āļąāļ§āđāļĒāļāļ›āļĢāļ°āđ€āļ āļ—āđ„āļĄāđˆāļŠāļēāļĄāļēāļĢāļ–āđ„āļ”āđ‰āļĢāļąāļš F1 āļ—āļĩāđˆāļŠāļđāļ‡āđ€āļžāļĩāļĒāļ‡āļˆāļēāļāļāļēāļĢāļ—āļģāđƒāļŦāđ‰āđ€āļ›āđ‡āļ™āđ€āļĨāļīāļĻāļ—āļĩāđˆāļ”āđ‰āļēāļ™āđƒāļ”āļ”āđ‰āļēāļ™āļŦāļ™āļķāđˆāļ‡ āļ„āļ°āđāļ™āļ™āļ™āļĩāđ‰āļĄāļĩāļ›āļĢāļ°āđ‚āļĒāļŠāļ™āđŒāļŠāļģāļŦāļĢāļąāļšāļāļēāļĢāđ€āļ›āļĢāļĩāļĒāļšāđ€āļ—āļĩāļĒāļšāļĢāļ°āļšāļšāļ—āļĩāđˆāļĄāļĩāļ„āļģāļˆāļģāļāļąāļ”āļ„āļ§āļēāļĄāļ‡āļēāļ™āđ€āļ”āļĩāļĒāļ§āļāļąāļ™ āđāļ•āđˆāđ„āļĄāđˆāđ„āļ”āđ‰āļšāļ­āļāļ—āļĩāļĄāļ§āđˆāļēāļ‚āđ‰āļ­āļœāļīāļ”āļžāļĨāļēāļ”āļ›āļĢāļ°āđ€āļ āļ—āđƒāļ”āļĄāļĩāļ„āļ§āļēāļĄāļŠāļģāļ„āļąāļāļĄāļēāļāļāļ§āđˆāļē āļžāļīāļˆāļēāļĢāļ“āļēāļˆāļģāļ™āļ§āļ™āļ—āļĩāđˆāļ›āļĢāļ°āļ”āļīāļĐāļāđŒāļ‚āļķāđ‰āļ™āļˆāļēāļāļœāļĨāļšāļ§āļāļˆāļĢāļīāļ‡āđāļ›āļ”āļĢāļēāļĒāļāļēāļĢ āļœāļĨāļšāļ§āļāļĨāļ§āļ‡āļŠāļ­āļ‡āļĢāļēāļĒāļāļēāļĢ āđāļĨāļ°āļœāļĨāļĨāļšāļĨāļ§āļ‡āđāļ›āļ”āļĢāļēāļĒāļāļēāļĢ āļ„āļ§āļēāļĄāđāļĄāđˆāļ™āļĒāļģāļ„āļ·āļ­ 8/(8+2) = 0.8 āđāļĨāļ°āļāļēāļĢāđ€āļĢāļĩāļĒāļāļ„āļ·āļ™āļ„āļ·āļ­ 8/(8+8) = 0.5 F1 āļ„āļ·āļ­ 2 × 0.8 × 0.5/(0.8+0.5) āļ›āļĢāļ°āļĄāļēāļ“ 0.615 āļŠāļđāļ•āļĢāļāļēāļĢāļ™āļąāļšāļ—āļĩāđˆāđ€āļ—āļĩāļĒāļšāđ€āļ—āđˆāļēāļ„āļ·āļ­ 2TP/(2TP+FP+FN) āļŦāļĢāļ·āļ­ 16/26 āļĢāļēāļĒāļ‡āļēāļ™āļāļēāļĢāļ™āļąāļšāđāļĨāļ°āļ„āļ°āđāļ™āļ™āđ€āļžāļ·āđˆāļ­āđƒāļŦāđ‰āļœāļđāđ‰āļ­āđˆāļēāļ™āđ€āļ‚āđ‰āļēāđƒāļˆāļ§āđˆāļēāđ€āļāļīāļ”āļ­āļ°āđ„āļĢāļ‚āļķāđ‰āļ™ F-beta āļŠāļĢāļļāļ› F1 āđ€āļĄāļ·āđˆāļ­āđ€āļšāļ•āđ‰āļēāļĄāļĩāļ„āđˆāļēāļĄāļēāļāļāļ§āđˆāļēāļŦāļ™āļķāđˆāļ‡ āļāļēāļĢāđ€āļĢāļĩāļĒāļāļ„āļ·āļ™āļˆāļ°āļĄāļĩāļ™āđ‰āļģāļŦāļ™āļąāļāļĄāļēāļāļ‚āļķāđ‰āļ™ āđ€āļĄāļ·āđˆāļ­āđ€āļšāļ•āđ‰āļēāļ™āđ‰āļ­āļĒāļāļ§āđˆāļēāļŦāļ™āļķāđˆāļ‡ āļ„āļ§āļēāļĄāđāļĄāđˆāļ™āļĒāļģāļˆāļ°āđ€āļāļīāļ”āļ‚āļķāđ‰āļ™ F2 āļ­āļēāļˆāđ€āļŦāļĄāļēāļ°āļāļąāļšāļ‚āļąāđ‰āļ™āļ•āļ­āļ™āļāļēāļĢāļ„āļąāļ”āļāļĢāļ­āļ‡ āđ‚āļ”āļĒāļ—āļĩāđˆāļāļĢāļ“āļĩāļ—āļĩāđˆāđ€āļāļĩāđˆāļĒāļ§āļ‚āđ‰āļ­āļ‡āļŦāļēāļĒāđ„āļ›āļˆāļ°āļĄāļĩāļ„āđˆāļēāđƒāļŠāđ‰āļˆāđˆāļēāļĒāļĄāļēāļāļāļ§āđˆāļēāļāļēāļĢāļŠāđˆāļ‡āļāļĢāļ“āļĩāļ­āļ·āđˆāļ™āđ€āļ‚āđ‰āļēāļĢāļąāļšāļāļēāļĢāļ•āļĢāļ§āļˆāļŠāļ­āļš āđāļ•āđˆāļ•āļąāļ§āđ€āļĨāļ·āļ­āļāļ™āļąāđ‰āļ™āļˆāļģāđ€āļ›āđ‡āļ™āļ•āđ‰āļ­āļ‡āļĄāļĩāđ€āļŦāļ•āļļāļœāļĨāđƒāļ™āļāļēāļĢāļ›āļāļīāļšāļąāļ•āļīāļ‡āļēāļ™ āļĄāļąāļ™āđ„āļĄāđˆāđ„āļ”āđ‰āļ‚āļˆāļąāļ”āļ„āļ§āļēāļĄāļˆāļģāđ€āļ›āđ‡āļ™āđƒāļ™āļāļēāļĢāļ•āļĢāļ§āļˆāļŠāļ­āļšāļœāļĨāļšāļ§āļāļĨāļ§āļ‡ āļ‚āļĩāļ”āļˆāļģāļāļąāļ”āļ„āļ§āļēāļĄāļˆāļļ āļŦāļĢāļ·āļ­āļœāļĨāļĨāļąāļžāļ˜āđŒāļ‚āļ­āļ‡āļāļĨāļļāđˆāļĄāļĒāđˆāļ­āļĒ āļāļēāļĢāđ€āļ›āļĨāļĩāđˆāļĒāļ™āđāļ›āļĨāļ‡āđ€āļāļ“āļ‘āđŒāļŠāļēāļĄāļēāļĢāļ–āđāļĨāļāļ„āļ§āļēāļĄāđāļĄāđˆāļ™āļĒāļģāļāļąāļšāļāļēāļĢāđ€āļĢāļĩāļĒāļāļ„āļ·āļ™āđ„āļ”āđ‰ āđāļĨāļ°āļ”āļąāļ‡āļ™āļąāđ‰āļ™āļˆāļķāļ‡āđ€āļ›āļĨāļĩāđˆāļĒāļ™āđāļ›āļĨāļ‡ F-beta āđāļĄāđ‰āļ§āđˆāļēāđ‚āļĄāđ€āļ”āļĨāļ„āļ°āđāļ™āļ™āļžāļ·āđ‰āļ™āļāļēāļ™āļˆāļ°āđ„āļĄāđˆāđ€āļ›āļĨāļĩāđˆāļĒāļ™āđāļ›āļĨāļ‡āļāđ‡āļ•āļēāļĄ āļŠāļģāļŦāļĢāļąāļšāļ„āļĨāļēāļŠāļŦāļĨāļēāļĒāļ„āļĨāļēāļŠ āļ„āđˆāļēāđ€āļ‰āļĨāļĩāđˆāļĒāļĄāļēāđ‚āļ„āļĢāļˆāļ°āļ„āļģāļ™āļ§āļ“āļœāļĨāļĨāļąāļžāļ˜āđŒāļ•āđˆāļ­āļ„āļĨāļēāļŠ āļˆāļēāļāļ™āļąāđ‰āļ™āđƒāļŦāđ‰āļ™āđ‰āļģāļŦāļ™āļąāļāđāļ•āđˆāļĨāļ°āļ„āļĨāļēāļŠāđ€āļ—āđˆāļēāļāļąāļ™ āļ„āđˆāļēāđ€āļ‰āļĨāļĩāđˆāļĒāļĢāļ°āļ”āļąāļšāļˆāļļāļĨāļ āļēāļ„āļˆāļ°āļĢāļ§āļĄāļœāļĨāļšāļ§āļāļˆāļĢāļīāļ‡ āļœāļĨāļšāļ§āļāļĨāļ§āļ‡ āđāļĨāļ°āļœāļĨāļĨāļšāļĨāļ§āļ‡āđƒāļ™āļŠāļąāđ‰āļ™āđ€āļĢāļĩāļĒāļ™āļ•āđˆāļēāļ‡āđ† āļāđˆāļ­āļ™āļ—āļĩāđˆāļˆāļ°āļ„āļģāļ™āļ§āļ“āļ„āļ°āđāļ™āļ™ āļŠāļīāđˆāļ‡āđ€āļŦāļĨāđˆāļēāļ™āļĩāđ‰āļˆāļ°āļ•āļ­āļšāļ„āļģāļ–āļēāļĄāļ—āļĩāđˆāđāļ•āļāļ•āđˆāļēāļ‡āļāļąāļ™āđ€āļĄāļ·āđˆāļ­āļ„āļ§āļēāļĄāļ–āļĩāđˆāļ‚āļ­āļ‡āļŠāļąāđ‰āļ™āđ€āļĢāļĩāļĒāļ™āđāļ•āļāļ•āđˆāļēāļ‡āļāļąāļ™āđ„āļ› āļĢāļ°āļšāļļāļ›āđ‰āļēāļĒāļāļģāļāļąāļšāđ€āļŠāļīāļ‡āļšāļ§āļāđāļĨāļ°āļāļŽāļāļēāļĢāđ€āļ‰āļĨāļĩāđˆāļĒāļ­āļĒāđˆāļēāļ‡āļŠāļąāļ”āđ€āļˆāļ™ āļŦāļĄāļēāļĒāđ€āļĨāļ‚ F1 āđ„āļĄāđˆāđ„āļ”āđ‰āļšāļ­āļāļ­āļ°āđ„āļĢāđ‚āļ”āļĒāļ•āļĢāļ‡āđ€āļāļĩāđˆāļĒāļ§āļāļąāļšāļāļēāļĢāļŠāļ­āļšāđ€āļ—āļĩāļĒāļšāļ„āļ§āļēāļĄāļ™āđˆāļēāļˆāļ°āđ€āļ›āđ‡āļ™ āļ•āđ‰āļ™āļ—āļļāļ™āļ—āļēāļ‡āđ€āļĻāļĢāļĐāļāļāļīāļˆ āļŦāļĢāļ·āļ­āļāļĨāļļāđˆāļĄāļĒāđˆāļ­āļĒāđ€āļĨāđ‡āļāđ† āļ—āļĩāđˆāļžāļĨāļēāļ”āđ„āļ› āļ›āļĢāļ°āđ€āļĄāļīāļ™āļŠāļīāđˆāļ‡āđ€āļŦāļĨāđˆāļēāļ™āļąāđ‰āļ™āđāļĒāļāļāļąāļ™ āđāļĨāļ°āđƒāļŠāđ‰āļŠāļļāļ”āļ‚āđ‰āļ­āļĄāļđāļĨāļ—āļĩāđˆāđ€āļāđ‡āļšāđ„āļ§āđ‰āļ‹āļķāđˆāļ‡āđāļŠāļ”āļ‡āļ–āļķāļ‡āļāļēāļĢāļ•āļąāļ”āļŠāļīāļ™āđƒāļˆāļ—āļĩāđˆāđ‚āļĄāđ€āļ”āļĨāļˆāļ°āđ€āļœāļŠāļīāļ

āļāļēāļĢāđƒāļŠāđ‰āļ‡āļēāļ™āļˆāļĢāļīāļ‡āđƒāļ™āđ‚āļĨāļāđāļŦāđˆāļ‡āļ„āļ§āļēāļĄāđ€āļ›āđ‡āļ™āļˆāļĢāļīāļ‡

A screening team reports F2 when missing relevant cases is costlier than reviewing an extra false alert, while still showing both precision and recall.

An analyst computes F1 from eight true positives, two false positives and eight false negatives in a constructed example.

A multiclass evaluator reports macro F1 to show how uncommon classes perform instead of presenting only an overall average.

A product team compares metrics at several decision thresholds and verifies that the chosen setting fits review capacity and error costs.

āļ­āļ™āļēāļ„āļ•āļ‚āļ­āļ‡āļ„āļ°āđāļ™āļ™ F1 āđāļĨāļ° F-Beta

As AI evaluations cover more classes and deployment settings, a single F1 number will become less adequate for decision making. Teams may use F-beta to encode a documented preference for recall or precision, but a beta value is still a simplification of real costs. Better reports should show the counts, averaging rule, operating threshold and uncertainty together. Changing populations can alter precision even if recall stays stable, so metrics need refresh after deployment. Future dashboards may make tradeoffs easier to explore, but the choice of who bears each error remains a policy and product decision that no formula can settle automatically.

āļāļēāļĢāļ™āļģāđ„āļ›āļ›āļāļīāļšāļąāļ•āļī

āļ—āļģāđ„āļĄāļĄāļąāļ™āļ–āļķāļ‡āļŠāļģāļ„āļąāļ

  • āļāļēāļĢāļ•āļąāļ”āļŠāļīāļ™āđƒāļˆāļ—āļĩāđˆāļŠāļąāļ”āđ€āļˆāļ™āļĒāļīāđˆāļ‡āļ‚āļķāđ‰āļ™. āļŠāđˆāļ§āļĒāđƒāļŦāđ‰āļ„āļļāļ“āđāļĒāļāļ„āļģāļāļĨāđˆāļēāļ§āļ­āđ‰āļēāļ‡āļ—āļēāļ‡āđ€āļ—āļ„āļ™āļīāļ„āļ—āļĩāđˆāļŠāļąāļ”āđ€āļˆāļ™āļ­āļ­āļāļˆāļēāļāļ āļēāļĐāļēāļ—āļēāļ‡āļāļēāļĢāļ•āļĨāļēāļ”āđ„āļ”āđ‰
  • āļ•āđ‰āļ™āļ—āļļāļ™āđāļĨāļ°āļ‡āļšāļ›āļĢāļ°āļĄāļēāļ“. āļ„āļļāļ“āļŠāļēāļĄāļēāļĢāļ–āļ–āļēāļĄāļ„āļģāļ–āļēāļĄāļāļēāļĢāđƒāļŠāđ‰āļ‡āļēāļ™āļ—āļĩāđˆāļ”āļĩāļ‚āļķāđ‰āļ™āļāđˆāļ­āļ™āļ—āļĩāđˆāļˆāļ°āđƒāļŠāđ‰āđ€āļ‡āļīāļ™āļŦāļĢāļ·āļ­āđ€āļ§āļĨāļē
  • āļ—āļĩāļĄāļ‡āļēāļ™āđāļĨāļ°āļ‚āļąāđ‰āļ™āļ•āļ­āļ™āļāļēāļĢāļ—āļģāļ‡āļēāļ™. āļ—āļĩāļĄāļ—āļĩāđˆāļĄāļĩāļ„āļ§āļēāļĄāđ€āļ‚āđ‰āļēāđƒāļˆāļĢāđˆāļ§āļĄāļāļąāļ™āļˆāļ°āļ•āļąāļ”āļŠāļīāļ™āđƒāļˆāđ€āļāļĩāđˆāļĒāļ§āļāļąāļšāļœāļĨāļīāļ•āļ āļąāļ“āļ‘āđŒ āļ™āđ‚āļĒāļšāļēāļĒ āđāļĨāļ°āļāļēāļĢāđ€āļĢāļĩāļĒāļ™āļĢāļđāđ‰āđ„āļ”āđ‰āļ”āļĩāļ‚āļķāđ‰āļ™

āļĢāļ°āļ§āļąāļ‡

  • āđāļ•āđˆāļĨāļ°āļ—āļĩāļĄāļ­āļēāļˆāđƒāļŠāđ‰āļ„āļģāđ€āļ”āļĩāļĒāļ§āļāļąāļ™āļ•āđˆāļēāļ‡āļāļąāļ™ āļ”āļąāļ‡āļ™āļąāđ‰āļ™āļ„āļ§āļĢāļāļģāļŦāļ™āļ”āļ‚āļ­āļšāđ€āļ‚āļ•āļ•āļąāđ‰āļ‡āđāļ•āđˆāđ€āļ™āļīāđˆāļ™āđ†
  • āđ€āļāļ“āļ‘āđŒāļĄāļēāļ•āļĢāļāļēāļ™āļ­āļēāļˆāļ”āļđāđāļ‚āđ‡āļ‡āđāļāļĢāđˆāļ‡āđƒāļ™āļ‚āļ“āļ°āļ—āļĩāđˆāļ›āļĢāļ°āļŠāļīāļ—āļ˜āļīāļ āļēāļžāđƒāļ™āđ‚āļĨāļāđāļŦāđˆāļ‡āļ„āļ§āļēāļĄāđ€āļ›āđ‡āļ™āļˆāļĢāļīāļ‡āđ„āļĄāđˆāđ€āļ—āđˆāļēāļāļąāļ™
  • āļāļēāļĢāđ€āļžāļīāļāđ€āļ‰āļĒāļ•āđˆāļ­āļ„āļļāļ“āļ āļēāļžāļ‚āđ‰āļ­āļĄāļđāļĨāđāļĨāļ°āđāļœāļ™āļāļēāļĢāļ›āļĢāļ°āđ€āļĄāļīāļ™āļĄāļąāļāļŠāļĢāđ‰āļēāļ‡āļœāļĨāļĨāļąāļžāļ˜āđŒāļ—āļĩāđˆāđ€āļ›āļĢāļēāļ°āļšāļēāļ‡

āļ‚āļąāđ‰āļ™āļ•āļ­āļ™āļ•āđˆāļ­āđ„āļ›

  1. āđ€āļĢāļīāđˆāļĄāļ•āđ‰āļ™āļ”āđ‰āļ§āļĒāļ„āļģāļˆāļģāļāļąāļ”āļ„āļ§āļēāļĄāļ āļēāļĐāļēāļ˜āļĢāļĢāļĄāļ”āļēāļ‚āļ­āļ‡āļœāļĨāļĨāļąāļžāļ˜āđŒāļ—āļĩāđˆāļ„āļļāļ“āļ•āđ‰āļ­āļ‡āļāļēāļĢ
  2. āđ€āļĨāļ·āļ­āļāđ€āļĄāļ•āļĢāļīāļāļ§āļąāļ”āļ„āļ§āļēāļĄāļŠāļģāđ€āļĢāđ‡āļˆāļŦāļ™āļķāđˆāļ‡āļĢāļēāļĒāļāļēāļĢāđāļĨāļ°āđ€āļ‡āļ·āđˆāļ­āļ™āđ„āļ‚āļ„āļ§āļēāļĄāļĨāđ‰āļĄāđ€āļŦāļĨāļ§āļŦāļ™āļķāđˆāļ‡āļĢāļēāļĒāļāļēāļĢāļāđˆāļ­āļ™āļāļēāļĢāļ—āļ”āļŠāļ­āļš
  3. āļ”āļģāđ€āļ™āļīāļ™āļāļēāļĢāļ™āļģāļĢāđˆāļ­āļ‡āļ‚āļ™āļēāļ”āđ€āļĨāđ‡āļāļ”āđ‰āļ§āļĒāļ‚āđ‰āļ­āļĄāļđāļĨāļ•āļąāļ§āđāļ—āļ™ āđ„āļĄāđˆāđƒāļŠāđˆāļŠāļļāļ”āļŠāļēāļ˜āļīāļ•āļ—āļĩāđˆāļŠāļ§āļĒāļ‡āļēāļĄ
  4. Document where F1 Score and F-Beta helps and where simpler methods are better.

āļŠāļģāļĢāļ§āļˆāļ•āđˆāļ­āđ„āļ›

āļˆāļ”āļŦāļĄāļēāļĒāļ‚āđˆāļēāļ§āļŸāļĢāļĩ

āļĢāļąāļšāļŠāļĢāļļāļ› AI āļĢāļēāļĒāļ§āļąāļ™

āđ€āļĢāļ·āđˆāļ­āļ‡āļĢāļēāļ§ AI āļ—āļĩāđˆāļ•āļĢāļ§āļˆāļŠāļ­āļšāđāļĨāđ‰āļ§ 3 āđ€āļĢāļ·āđˆāļ­āļ‡āļ—āļļāļāļ§āļąāļ™āļ—āļģāļ‡āļēāļ™ āđ€āļŠāđ‰āļē, āđ€āļ‚āļĩāļĒāļ™āđ€āļ›āđ‡āļ™āļ āļēāļĐāļēāļ­āļąāļ‡āļāļĪāļĐāļ˜āļĢāļĢāļĄāļ”āļē āļŸāļĢāļĩāļ•āļĨāļ­āļ”āđ„āļ› āđ„āļĄāđˆāļĄāļĩāđ‚āļ†āļĐāļ“āļē

āļ­āļĩāđ€āļĄāļĨāļŦāļ™āļķāđˆāļ‡āļ‰āļšāļąāļšāļ—āļļāļāļ§āļąāļ™āļ—āļģāļ‡āļēāļ™ āļĒāļāđ€āļĨāļīāļāļāļēāļĢāļŠāļĄāļąāļ„āļĢāđƒāļ™āļ„āļĨāļīāļāđ€āļ”āļĩāļĒāļ§ āđ€āļĢāļēāđ„āļĄāđˆāđ€āļ„āļĒāļ‚āļēāļĒāļŦāļĢāļ·āļ­āđāļŠāļĢāđŒāļ—āļĩāđˆāļ­āļĒāļđāđˆāļ­āļĩāđ€āļĄāļĨāļ‚āļ­āļ‡āļ„āļļāļ“

āļ—āļ”āļŠāļ­āļšāļ•āļąāļ§āđ€āļ­āļ‡

āļ—āļģāđāļšāļšāļ—āļ”āļŠāļ­āļšāļ„āļ°āđāļ™āļ™ F1 āđāļĨāļ° F-Beta

āļ‚āđ‰āļ­āđ€āļŠāļ™āļ­āđāļ™āļ°āļ—āļąāļ™āļ—āļĩāļŠāļģāļŦāļĢāļąāļšāļ—āļļāļāļ„āļģāļ•āļ­āļš āđāļĨāļ°āđƒāļšāļĢāļąāļšāļĢāļ­āļ‡āļ—āļĩāđˆāļŠāļēāļĄāļēāļĢāļ–āđāļŠāļĢāđŒāđ„āļ”āđ‰āļžāļĢāđ‰āļ­āļĄ ID āļ—āļĩāđˆāļ•āļĢāļ§āļˆāļŠāļ­āļšāđ„āļ”āđ‰āđ€āļĄāļ·āđˆāļ­āļ„āļļāļ“āļœāđˆāļēāļ™āļŦāļĨāļąāļāļŠāļđāļ•āļĢ

āđ€āļĢāļīāđˆāļĄāđāļšāļšāļ—āļ”āļŠāļ­āļš

āļŠāļ™āļąāļšāļŠāļ™āļļāļ™āļāļēāļĢāļĻāļķāļāļĐāļē AI āļŸāļĢāļĩ AI Understanding āđ€āļ›āđ‡āļ™āļ­āļ‡āļ„āđŒāļāļĢāđ„āļĄāđˆāđāļŠāļ§āļ‡āļŦāļēāļœāļĨāļāļģāđ„āļĢ 501(c)(3) — āđ„āļĄāđˆāļĄāļĩāđ‚āļ†āļĐāļ“āļē āđ„āļĄāđˆāļĄāļĩāļāļģāđāļžāļ‡āđ€āļ‡āļīāļ™, āļ•āļĨāļ­āļ”āđ„āļ› āļšāļĢāļīāļˆāļēāļ„

āļ„āļģāļ–āļēāļĄāļ—āļĩāđˆāļžāļšāļšāđˆāļ­āļĒ

What is F1 Score and F-Beta?

F1 āļœāļŠāļĄāļœāļŠāļēāļ™āļ„āļ§āļēāļĄāđāļĄāđˆāļ™āļĒāļģāđāļĨāļ°āļāļēāļĢāđ€āļĢāļĩāļĒāļāļ„āļ·āļ™āļœāđˆāļēāļ™āļ„āđˆāļēāđ€āļ‰āļĨāļĩāđˆāļĒāļŪāļēāļĢāđŒāļĄāļ­āļ™āļīāļ āđ‚āļ”āļĒāđƒāļŦāđ‰āļĢāļēāļ‡āļ§āļąāļĨāđāļāđˆāļ•āļąāļ§āđāļĒāļāļ›āļĢāļ°āđ€āļ āļ—āđ€āļ‰āļžāļēāļ°āđ€āļĄāļ·āđˆāļ­āļ—āļąāđ‰āļ‡āļŠāļ­āļ‡āļĄāļĩāļ„āļ§āļēāļĄāđāļ‚āđ‡āļ‡āđāļāļĢāđˆāļ‡āļžāļ­āļŠāļĄāļ„āļ§āļĢ F-beta āđƒāļŠāđ‰āļžāļēāļĢāļēāļĄāļīāđ€āļ•āļ­āļĢāđŒāđ€āļžāļ·āđˆāļ­āđ€āļžāļīāđˆāļĄāļ™āđ‰āļģāļŦāļ™āļąāļāđƒāļŦāđ‰āļāļąāļšāļāļēāļĢāđ€āļĢāļĩāļĒāļāļ„āļ·āļ™āļŦāļĢāļ·āļ­āļ„āļ§āļēāļĄāđāļĄāđˆāļ™āļĒāļģāļŠāļģāļŦāļĢāļąāļšāļ‡āļēāļ™āļ—āļĩāđˆāļĢāļ°āļšāļļ āļ„āļ°āđāļ™āļ™āđ€āļŦāļĨāđˆāļēāļ™āļĩāđ‰āļ‚āļķāđ‰āļ™āļ­āļĒāļđāđˆāļāļąāļšāļĢāļ°āļ”āļąāļšāđ€āļŠāļīāļ‡āļšāļ§āļ āđ€āļāļ“āļ‘āđŒ āđāļĨāļ°āļ§āļīāļ˜āļĩāļāļēāļĢāđ€āļ‰āļĨāļĩāđˆāļĒāļ—āļĩāđˆāđ€āļĨāļ·āļ­āļ āđāļĨāļ°āđ„āļĄāđˆāđ„āļ”āđ‰āļŠāļĢāļļāļ›āļ‚āđ‰āļ­āļāļąāļ‡āļ§āļĨāļ”āđ‰āļēāļ™āļ•āđ‰āļ™āļ—āļļāļ™āļŦāļĢāļ·āļ­āļ„āļ§āļēāļĄāđ€āļ›āđ‡āļ™āļ˜āļĢāļĢāļĄāļ—āļąāđ‰āļ‡āļŦāļĄāļ”

How does F1 combine precision and recall?

F1 is 2PR/(P+R), the harmonic mean of precision and recall when defined.

In the guide's constructed 8 TP, 2 FP and 8 FN example, what is F1 approximately?

The count formula gives F1 = 2TP/(2TP+FP+FN) = 16/26 ≈ 0.615.

When beta is greater than one in F-beta, which component receives more weight?

F-beta with beta greater than one emphasizes recall relative to precision, without removing precision.

A task values avoiding false alerts more than catching every positive case. Which beta direction can reflect that priority?

A beta between zero and one weights precision more heavily, though actual task costs still need review.

What does macro F1 do across multiple classes?

Macro averaging gives equal weight to each class's F1, making minority-class behavior more visible than a prevalence-weighted summary.

āđ€āļĢāļĩāļĒāļ™āļĢāļđāđ‰āļ•āđˆāļ­āđ„āļ›

āļ„āļģāđāļ™āļ°āļ™āļģāļ—āļĩāđˆāđ€āļāļĩāđˆāļĒāļ§āļ‚āđ‰āļ­āļ‡

āļ„āļģāđāļ™āļ°āļ™āļģāđ€āļžāļīāđˆāļĄāđ€āļ•āļīāļĄāļ—āļĩāđˆāđ€āļĨāļ·āļ­āļāļŠāļģāļŦāļĢāļąāļšāļŦāļąāļ§āļ‚āđ‰āļ­āļ™āļĩāđ‰

āļĢāļąāļšāđƒāļšāļĢāļąāļšāļĢāļ­āļ‡ AI āļŸāļĢāļĩāļŦāļĨāļąāļāļŠāļđāļ•āļĢāđāļĨāļ°āļāļēāļĢāļŠāļ­āļšāļŠāļąāđ‰āļ™ āđ† āļŸāļĢāļĩ āđ„āļĄāđˆāļĄāļĩāļ„āđˆāļēāđƒāļŠāđ‰āļˆāđˆāļēāļĒ āđ„āļĄāđˆāļĄāļĩāļšāļąāļ•āļĢāđ€āļ„āļĢāļ”āļīāļ• āļ›āļĢāļ°āļĄāļēāļ“ 2.5 āļŠāļąāđˆāļ§āđ‚āļĄāļ‡āđ€āļĢāļīāđˆāļĄāļ•āđ‰āļ™āļŸāļĢāļĩ →