バランスの取れた精度とF-1スコア

誰もがバランスの取れた精度の違いを説明できるかどうか疑問に思っていました

b_acc = (sensitivity + specificity)/2

およびf1スコア：

f1 = 2*precision*recall/(precision + recall) 

数学的には、b_accはrecall_Pとrecall_Nの算術平均であり、f1はrecall_Pとprecision_Pの調和平均です。

F1とb_accはどちらも分類子評価のメトリックであり、クラスの不均衡を（ある程度）処理します。2つのクラス（NまたはP）のどちらが他のクラスよりも多いかに応じて、各メトリックは他のクラスよりも優れています。

1）N >> Pの場合、f1の方が優れています。

2）P >> Nの場合、b_accの方が優れています。

ラベル切り替えが可能な場合、明らかに、上記の2つの不均衡のいずれの場合でも両方のメトリックを使用できます。そうでない場合は、トレーニングデータの不均衡に応じて、適切なメトリックを選択できます。