F1-Score

Der F1-Score kombiniert Precision und Recall in einem einzigen Wert, um deren gemeinsames Verhältnis abzubilden. Er wird besonders dann eingesetzt, wenn beide Metriken gleichzeitig von Bedeutung sind und ein ausgewogenes Verhältnis zwischen Erkennungsrate und Genauigkeit der positiven Vorhersagen erforderlich ist.

Formal definiert sich der F1-Score als harmonisches Mittel von Precision und Recall:

\[ \text{F1} = 2 \cdot \frac{\text{Precision} \cdot \text{Recall}}{\text{Precision} + \text{Recall}} \]

Wichtige Eigenschaften

• Ausgewogenheit: Der F1-Score berücksichtigt sowohl die Fähigkeit des Modells, alle positiven Fälle zu erkennen (Recall), als auch die Zuverlässigkeit der positiven Vorhersagen (Precision).
• Skalenbereich: Werte liegen zwischen 0 und 1, wobei 1 die bestmögliche Leistung darstellt.
• Vorteil bei unbalancierten Daten: Im Gegensatz zur Accuracy kann der F1-Score auch bei stark unausgeglichenen Klassenverhältnissen ein aussagekräftiges Bild vermitteln.

Ein hoher F1-Score signalisiert, dass das Modell sowohl eine gute Erkennungsrate als auch eine hohe Genauigkeit bei der Klassifizierung positiver Fälle aufweist.