了解 F1 分數，包括如何衡量，並在 Metabase 的儀表板和視覺化中加以運用。
F1 分數是機器學習中用於分類模型的指標。更具體來說，F1 分數透過計算精確度和召回率的調和平均數來衡量誤差。此分數旨在透過精確度和召回率計算，告訴您不平衡和平衡資料集的準確結果。F1 分數的範圍為 0 到 1，1 為最佳分數。結合召回率和精確度以取得 F1 分數，讓您能夠了解您的模型在擷取和預測正面案例時是否平衡。視覺化 F1 分數可以顯示您在分類模型和機器學習方面的進展。
開始使用
您的 F1 分數要求您知道精確度和召回率的數值。您可以透過對給定資料集執行以下計算來找出這些數值： 精確度：真陽性數 / (真陽性數 + 偽陽性數) 召回率：真陽性數 / (真陽性數 + 真陰性數) 取得這些計算結果後，您就可以計算 F1 分數。請記住，目標是找出這兩個計算之間的平衡。您將像這樣計算您的 F1 分數：2 x (精確度 x 召回率) / (精確度 + 召回率) = F1 分數
透過將您最重要的指標收集到單一視圖中，讓所有人了解狀況。
將資料帶到任何需要的地方，方法是將其嵌入您的內部 Wiki、網站和內容中。
授權您的團隊衡量自己的進度，並探索達成目標的新途徑。
沒錯，無需銷售電話 — 只要註冊，即可在 5 分鐘內開始執行。
我們連接到最受歡迎的生產資料庫和資料倉儲。
邀請您的團隊並開始建立儀表板 — 無需 SQL。
