$F_1$ Score

Combina precision e recall num valor usado para comparações, assim obtendo uma visualização da performance mais balanceado:

$F_1 = 2 * ((Precision * recall)/(Precision + Recall))$

f1_score(y_test, predictons)

$F_β$ Score

O $F_1$ Score dá peso igual à precisão e recall. O $F_β$ Score dá mais peso ao recall por um fator de β. Com β=1, $F_1$ e $F_β$ são equivalentes.

$F_β = (1+β^2) * ((Precision * recall)/(β^2*Precision + Recall))$

fbeta_score(y_test, predictons, beta=0.5)