باختصار
F1 Score مقياس «تجميعي» للتصنيف الثنائي بيعتمد على الـ Precision والـ Recall مع بعض، ويطلّعلك رقم واحد بدل رقمين.
بالتفصيل
المعادلة:
F1 = (2 × Precision × Recall) / (Precision + Recall)
ليه مش متوسّط عادي؟ لأن المعادلة دي (المتوسّط التوافقي) بتتصرّف بطريقة مهمّة: لما الـ Precision والـ Recall قريبين من بعض، الـ F1 بيبقى قريب من متوسّطهم. لكن لما يبقوا بعاد عن بعض جدًا، الـ F1 بيقرّب للرقم الأقلّ.
ده معناه إن النموذج ما يقدرش «يغشّ» بإنه يرفع واحد على حساب التاني. لو عنده Precision ممتازة وRecall ضعيف، الـ F1 هيفضحه.
مثال عملي
من أمثلة مسرد Google:
- Precision = 0.6 وRecall = 0.4، يبقى F1 = (2 × 0.6 × 0.4) ÷ 1.0 = 0.48. قريب من المتوسّط (0.5).
- Precision = 0.9 وRecall = 0.1، يبقى F1 = (2 × 0.9 × 0.1) ÷ 1.0 = 0.18.
في الحالة التانية، المتوسّط العادي كان هيقولك 0.5 ويبان النموذج «نص نص». لكن الـ F1 بيقولك 0.18، لأن النموذج ده بيلقط 10% بس من الحالات الحقيقية. ده الرقم الأصدق.
وهتلاقي الـ F1 كمان جوّه مقاييس توليد النصوص زي ROUGE، اللي بتحسب Precision وRecall بين النصّ المولّد والنصّ المرجعي وبعدين تجمعهم بالـ F1.
مصطلحات مرتبطة
- Precision — الضبط.
- Recall — الاستدعاء.
- ROUGE — مقياس روج.
- Binary Classification — التصنيف الثنائي.
المصادر: Google ML Glossary
