Precisión equilibrada frente a la puntuación F-1

Question

Me preguntaba si alguien podría explicar la diferencia entre la precisión equilibrada que es

b_acc = (sensitivity + specificity)/2

y la puntuación f1 que es:

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

Answer 1

Matemáticamente, b_acc es la media aritmética de recall_P y recall_N y f1 es la media armónica de recall_P y precision_P.

Tanto F1 como b_acc son métricas para la evaluación del clasificador, que (hasta cierto punto) manejan el desequilibrio de clases. Dependiendo de cuál de las dos clases (N o P) supera a la otra, cada métrica supera a la otra.

1) Si N >> P, f1 es mejor.

2) Si P >> N, b_acc es mejor.

Evidentemente, si se puede cambiar de etiqueta, ambas métricas pueden utilizarse en cualquiera de los dos casos de desequilibrio anteriores. Si no, dependiendo del desequilibrio en los datos de entrenamiento, se puede seleccionar la métrica adecuada.