F-Score dalam Multi-Class dan Multi-Label Classification

Pada multi-class classification dan multi-label classification, F-Score tetap menjadi metrik penting meskipun perhitungannya menjadi lebih kompleks. Evaluasi performa model pada banyak kelas atau label membutuhkan pendekatan agregasi nilai F-Score.

Macro, Micro, dan Weighted F-Score

F-Score dapat dihitung menggunakan metode macro averaging, micro averaging, dan weighted averaging. Macro averaging menghitung F-Score untuk setiap kelas, lalu dirata-ratakan. Micro averaging menggabungkan semua prediksi dan menghitung F-Score secara keseluruhan.

Tantangan Evaluasi Multi-Label

Pada multi-label classification, satu sampel dapat memiliki lebih dari satu label. Oleh karena itu, perhitungan F-Score harus mempertimbangkan semua kombinasi label, sehingga menjadi lebih rumit daripada klasifikasi biner.

Studi Kasus

Banyak aplikasi di bidang computer vision dan Natural Language Processing yang menggunakan F-Score untuk evaluasi model multi-class dan multi-label, seperti pengkategorian dokumen dan pengenalan objek.