درجة F1

درجة F1 هي الحَكَم الذي يوفّق بين قاضِيَين كثيراً ما يختلفان: الدقة (Precision) والاستدعاء (Recall). فبدلاً من الاختيار بين «عدم الخطأ عند التنبؤ بالإيجابي» و«عدم تفويت أي حالة»، تدمجهما في متوسط توافقي — مقياس يعاقب بشدّة أيّ اختلال في التوازن. فلا يستطيع النموذج الغشّ بالتفوّق في معيار واحد فقط.

الدقة والاستدعاء والمفاضلة بينهما

تجيب الدقة عن السؤال: من بين تنبؤاتي الإيجابية، كم منها صحيح؟ ويجيب الاستدعاء عن: من بين الإيجابيات الحقيقية، كم اكتشفتُ منها؟ وغالباً ما يتعارض المقياسان: فالنموذج الحذِر يربح في الدقة ويخسر في الاستدعاء، والعكس صحيح.

$$\text{Precision} = \frac{TP}{TP + FP} \qquad \text{Recall} = \frac{TP}{TP + FN}$$

ودرجة F1 هي المتوسط التوافقي لهما:

$$F_1 = 2 \cdot \frac{\text{Precision} \cdot \text{Recall}}{\text{Precision} + \text{Recall}}$$

يبقى المتوسط التوافقي منخفضاً متى كانت إحدى القيمتين ضعيفة — وهذا ما يفرض التوازن.

لماذا لا نكتفي بالصحّة؟

في البيانات غير المتوازنة (مثل كشف الاحتيال: حالة واحدة من كل ألف)، يحقّق نموذج يتنبأ دائماً بـ«السلبي» نسبة صحّة تبلغ 99.9% رغم أنه عديم الفائدة. أما درجة F1 فتنهار في هذه الحالة.

صيغ مفيدة

• F-beta: تعمّم F1 بترجيح الاستدعاء ($\beta > 1$) أو الدقة ($\beta < 1$).
• Macro-F1: متوسط F1 لكل فئة (كل فئة بوزن متساوٍ).
• Micro-F1: تجمع الأعداد الكلية (تحابي الفئات الأكثر تمثيلاً).

لا تكافئ درجة F1 إلا النماذج الدقيقة والشاملة معاً: رقم واحد، دون أي اختصارات ممكنة.