Machine learning 基于F1分数（阈值=0.5）选择模型是否等同于基于精确召回曲线下的面积选择模型？

提供了准确度、AUROC、F1和AUPR的良好总结

在同一数据集上比较不同模型的性能时，根据用例，可以选择精度、AUROC、AUPR或F1

但有一件事我不太清楚：“与基于PR曲线下面积的选择相比，基于F1（精确性和召回率之间的调和平均值）的选择是否会产生相同的选择？”

---

若然，原因为何

由于一个非常简单和基本的原因，最肯定的是不是：AUC分数（ROC或PR曲线）实际上给出了整个阈值范围内平均的模型性能；仔细查看链接文档，您会注意到以下关于PR AUC的内容（在原件中强调）：

您还可以将PR AUC视为精度分数的平均值 为每个召回阈值计算。你也可以调整这个 定义，通过选择/剪裁召回来满足您的业务需求 阈值（如果需要）

您可以使用PR AUC

当您想选择适合业务问题的阈值时

当您选择任何特定阈值（精度、召回率、F1等）时，您已经完全离开了AUC分数（ROC或PR）的范围-您处于曲线上的一个点上，曲线下的平均面积不再有用（甚至没有意义）

我知道为什么AUC分数会产生误导，因为大多数人认为他们给出的不是他们实际给出的，即模型在整个阈值范围内的性能，而要部署的（因此对其性能感兴趣）必然涉及特定的阈值