Precision-Recall 曲线和 ROC 曲线（无关紧要，它们只是彼此的镜像）用于让您了解二元分类器的质量，因为某些参数的不同值会影响分类器的性能. 现在，F1 是结合了精度和召回率的特定分数，因此您只需要选择具有最高 F 分数的分类器的配置。

对于每对精度和召回率，我将计算 F 分数，然后选择具有最高 F 分数的配置。

现在，棘手的部分是哪个 F 分数。F1 是对精确度和召回率的重视程度相同的分数，但有时召回率比精确度更重要（例如，如果您知道所有患有癌症的人癌症进行了测试）。在这种情况下，您可以使用 F2 测量。

我认为总结所有精度和召回率组合的所有 F 度量是没有意义的。毕竟，我们的想法是从更广泛的模型中选择一个模型，我更愿意选择 F 得分最高的模型，而不是所有 F 得分总和最大的模型。

由于需要使用倒数（谐波平均值），因此很难直接从 Precision-Recall 图中读取 F1（或任何其他加权 F 度量）。

但是，如果您绘制倒数 Precision & Recall，则 F 度量的值形成等压线（具有相等值的直线），其梯度取决于权衡参数。在 F1 的情况下，它们将是平行于对角线的等压线，对应于在正面预测的精度和正面案例的召回方面的相等权重（预测的数量可能不对应于真实的正面数量）。

如果您直接在 Precision-Recall 图上使用等压线，则可以优化算术平均值 - 使用谐波相对于算术的优势是值得商榷的，并且在参考文献中进行了讨论，并且有一些证据表明几何比两者都好。

如果您以对数方式绘制 Precision & Recall，则等压线可用于优化此几何平均值。

请注意，对数和倒数 PR 图未定义在对应于不存在阳性或没有预测的点处。在所有其他点，这些曲线等价于 ROC 曲线，因为如果一个解决方案在一个中排名更好，那么在另一个中排名将更好。

然而，ROC 曲线在比较 TPR（召回）和 FPR（辐射）时略有不同，但等压线同样有用，平行于对角线的曲线对应于正负的权重相等。特别是 Precision 和 Recall 与 True Negatives（正确预测的负数）的数量无关，但这是 Fallout 的互补组成部分 - 事实上，镜像图是通过绘制 TPR 与 TNR 形成的。TPR-FPR的差异也称为Youden J或Informedness，与特定操作点形成的曲线下面积线性相关。

这在我上传的一份报告中进行了详细讨论，我讨论的图表显示在图 3 中，其中显示了一些与面部表情识别相关的真实数据： https ://www.researchgate.net/publication/273761103_What_the_F-measure_doesn %27t_measure

曲线下 ROC 面积的讨论在这里： https ://www.researchgate.net/publication/261155937_The_problem_of_Area_Under_the_Curve?ev=pub_cit