Threshold
什麼是 F1 最佳閾值？如何計算它？
我在 R 中使用了 h2o.glm() 函數，它在結果中提供了一個列聯表以及其他統計信息。列聯表標題為“基於 F1 最優閾值的交叉表”
維基百科將 F1 分數或 F 分數定義為準確率和召回率的調和平均值。但是，僅當邏輯回歸的預測值的結果（例如）使用截止值轉換為二進制時才發現精度和召回率。
現在通過截止我記得，F1分數和最佳閾值之間的聯繫是什麼。如何計算最佳閾值？F1最優閾值是如何計算的？
抱歉，如果我錯過了什麼，我是這裡的統計新手。
實際上，我在這個主題上寫了我的第一篇機器學習論文。在其中，我們確定，當您的分類器輸出校準的概率（邏輯回歸應該如此）時，最佳閾值大約是它所達到的 F1 分數的 1/2。這給了你一些直覺。最佳閾值永遠不會超過 0.5。如果您的 F1 是 0.5 並且閾值是 0.5，那麼您應該期望通過降低閾值來提高 F1。另一方面，如果 F1 為 0.5，閾值為 0.1，您可能應該提高閾值以提高 F1。
可以在此處找到包含所有詳細信息和討論為什麼 F1 可能是或可能不是優化的好方法（在單標籤和多標籤情況下）的論文：
https://arxiv.org/abs/1402.1892
抱歉，這篇文章花了 9 個月的時間才引起我的注意。希望您仍然發現這些信息有用！