我目前有 2 个具有数值输出的算法。使用 0.9 的阈值，我得到分类输出。假设它们是：
- P（高精度，低召回率）
- R（高召回率，低精度）
就个人而言，他们的 F-1 分数很差。创建分类器 C 的天真方法是：
C(*) = x.P(*) + (1-x).R(*)
优化 x 和阈值是提高 F-1 分数的好方法吗？或者是否有一些我必须尝试的替代方法。注意：我不能改变函数 P() 和 R()。它们的输出作为黑盒功能提供。
制作高 F1 分数的集成模型
数据挖掘
分类
集成建模
二进制
f1score
2022-02-24 12:34:29
1个回答
一般来说，这意味着 P 仅预测少数实例高于 0.9，而 R 预测大多数实例高于 0.9。因此，这两个分数的加权平均值将落在中间的某个位置，可能导致中等的精确度和中等的召回率。
这可以给出明显更好的结果，但前提是这两个分类器是互补的，即它们以彼此足够不同的方式预测实例。否则，它相当于在单个分类器上调整阈值。