$$F_\beta = (1+\beta^2)\cdot\frac{\text{precision}\cdot\text{recall}}{(\beta^2 \cdot \text{precision}) + \text{recall}}$$

• Beta coefficient: แสดงถึงน้ำหนักสัมพัทธ์ของสองเมตริก

  • Beta ระหว่าง 0 ถึง 1 หมายความว่า precision ถูกลดลงจึงได้รับน้ำหนักมากขึ้น ส่วน beta > 1 หมายความว่า precision ถูกขยายขึ้นจึงได้รับน้ำหนักน้อยลง

• สามารถใช้งานใน sklearn ผ่าน: fbeta_score(y_true, y_pred, beta=beta)

  • y_true คือค่าเป้าหมายจริง และ y_pred คือค่าเป้าหมายที่ทำนาย