1 f1_score，average='binary', 'macro', 'micro', 'weighted'

        F1得分可以解釋為精確度和召回率的調(diào)和平均值，其中F1得分達(dá)到其最佳值為1，最差得分為0。精確度和召回率對(duì)F1得分的相對(duì)貢獻(xiàn)相等。F1得分的公式為:

        在多類別和多標(biāo)簽的情況下，這是每個(gè)類別的F1得分的平均值，其權(quán)重取決于平均參數(shù)。

sklearn.metrics.f1_score(y_true, y_pred, *, labels=None, pos_label=1, average='binary', sample_weight=None, zero_division='warn')

參數(shù)介紹：

        y_true：1d array，或label array/sparse matrix,Ground truth (correct) target values

        y_pred: 分類器返回的估計(jì)目標(biāo)。

        pos_label：str or int, default=1，要報(bào)告 average = ‘ binary’且數(shù)據(jù)為二分類。如果數(shù)據(jù)是多類或多標(biāo)簽的，這將被忽略; 設(shè)置labels = [ pos _ label ]和average！= “binary”將只報(bào)告該標(biāo)簽的分?jǐn)?shù)。

        average: 該參數(shù)是多類/多標(biāo)簽?zāi)繕?biāo)所必需的。如果沒有，則返回每個(gè)類的分?jǐn)?shù)。否則，這將確定對(duì)數(shù)據(jù)執(zhí)行的平均類型:

'binary': 僅報(bào)告pos_label指定的類的結(jié)果。這僅適用于目標(biāo) (y_{true，pred}) 是二分類的。

'micro': 通過計(jì)算總真陽性、假陰性和假陽性來全局計(jì)算指標(biāo)。

        權(quán)重傾向：每一個(gè)樣本的權(quán)重都相同；
        適用環(huán)境：多分類不平衡，若數(shù)據(jù)極度不平衡會(huì)影響結(jié)果；

 'macro': 計(jì)算每個(gè)標(biāo)簽的指標(biāo)，并找到它們的未加權(quán)平均值。

取值范圍：每一類別的權(quán)重都相同；
適用環(huán)境：多分類問題，不受數(shù)據(jù)不平衡影響，容易受到識(shí)別性高（高recall、高precision）的類別影響；

'weighted': 計(jì)算每個(gè)標(biāo)簽的指標(biāo)，并找到它們的平均加權(quán)支持 (每個(gè)標(biāo)簽的真實(shí)實(shí)例數(shù))。這會(huì)改變 “macro” 以解決標(biāo)簽不平衡; 它可能導(dǎo)致F分?jǐn)?shù)不在精度和召回率之間。

'samples': 計(jì)算每個(gè)實(shí)例的指標(biāo)，并找到它們的平均值 (僅對(duì)于與accuracy_score不同的多標(biāo)簽分類有意義)。

代碼展示：

二分類情況：

>>> from sklearn.metrics import precision_score, recall_score, f1_score
>>> y_true = [0, 1, 0, 0, 1, 0, 1]
>>> y_pred = [0, 1, 0, 0, 0, 1, 0]
# 計(jì)算二分類情況下的average = 'macro' 'micro' 'binary'
# 二分類情況下，也能用macro和micro，但一般用binary
>>> f1_score(y_true, y_pred,average='macro')
0.5333333333333332
>>> precision_score(y_true, y_pred, average='macro')
0.55
>>> recall_score(y_true, y_pred, average='macro')
0.5416666666666666
>>> precision_score(y_true, y_pred, average='micro')
0.5714285714285714
>>> recall_score(y_true, y_pred, average='micro')
0.5714285714285714
>>> f1_score(y_true, y_pred,average='micro')
0.5714285714285714
>>> f1_score(y_true, y_pred,average='binary')
0.4
>>> recall_score(y_true, y_pred, average='binary')
0.3333333333333333
>>> precision_score(y_true, y_pred, average='binary')
0.5
>>> f1_score(y_true, y_pred) # 二分類情況下，默認(rèn)使用binary
0.4

多分類情況：

>>> from sklearn.metrics import precision_score, recall_score, f1_score
>>> y_true = [0, 1, 2, 0, 1, 2]
>>> y_pred = [0, 2, 1, 0, 0, 1]
>>> f1_score(y_true, y_pred, average='macro')
0.26666666666666666
>>> f1_score(y_true, y_pred, average='micro')
0.3333333333333333
>>> f1_score(y_true, y_pred, average=None) # 相當(dāng)于binary，為每個(gè)類別計(jì)算binary的f1分?jǐn)?shù)，但是不能輸入binary，要輸入None
array([0.8, 0. , 0. ])
>>> 0.8/3
0.26666666666666666

到此這篇關(guān)于sklearn.metrics 中的f1-score簡介的文章就介紹到這了,更多相關(guān)sklearn.metrics 中f1-score內(nèi)容請(qǐng)搜索腳本之家以前的文章或繼續(xù)瀏覽下面的相關(guān)文章希望大家以后多多支持腳本之家！

最新評(píng)論