Machine learning F1分数是衡量平衡数据集的良好指标吗

我的数据集大致平衡：52/48。我评估ACC和F1成绩。随机林模型返回的结果如下

行政协调：52%

F1:68%

混淆矩阵：

     |Predicted
Label|0 |1
0    |52|122109
1    |19|134802

我知道如果我将标签0切换为1，反之亦然，F1分数将非常小。

---

因此，在使用F1的情况下，我是否应该始终切换标签？

F1分数的解释完全取决于标签的任意选择（这隐藏在其公式中）。因此，F1分数最适合于现实生活中的类别标签实际代表并对应于阴性和阳性（例如，癌症的存在）以及类别分布不平衡的情况（尤其是当阴性显著多于阳性时）。由于您的数据是平衡的，而且您似乎也可以任意切换标签，F1分数可能不是一个合适的指标

---

这些也可能有帮助：

F1分数的解释完全取决于标签的任意选择（这被隐藏在其公式中）。因此，F1分数最适合于现实生活中的类别标签实际代表并对应于阴性和阳性（例如，癌症的存在）以及类别分布不平衡的情况（尤其是当阴性显著多于阳性时）。由于您的数据是平衡的，而且您似乎也可以任意切换标签，F1分数可能不是一个合适的指标

这些也可能有助于：