1 f1_score，average=’binary’, ‘macro’, ‘micro’, ‘weighted’
F1得分可以解释为精确度和召回率的调和平均值，其中F1得分达到其最佳值为1，最差得分为0。精确度和召回率对F1得分的相对贡献相等。F1得分的公式为:
在多类别和多标签的情况下，这是每个类别的F1得分的平均值，其权重取决于平均参数。
sklearn.metrics.f1_score(y_true, y_pred, *, labels=None, pos_label=1, average='binary', sample_weight=None, zero_division='warn')参数介绍：
y_true：1d array，或label array/sparse matrix,Ground truth (correct) target values
y_pred: 分类器返回的估计目标。
pos_label：str or int, default=1，要报告 average = ‘ binary’且数据为二分类。如果数据是多类或多标签的，这将被忽略; 设置labels = [ pos _ label ]和average！= “binary”将只报告该标签的分数。
average: 该参数是多类/多标签目标所必需的。如果没有，则返回每个类的分数。否则，这将确定对数据执行的平均类型:
'binary': 仅报告pos_label指定的类的结果。这仅适用于目标 (y_{true，pred}) 是二分类的。
‘micro’: 通过计算总真阳性、假阴性和假阳性来全局计算指标。
权重倾向：每一个样本的权重都相同；
适用环境：多分类不平衡，若数据极度不平衡会影响结果；
‘macro’: 计算每个标签的指标，并找到它们的未加权平均值。
取值范围：每一类别的权重都相同；
适用环境：多分类问题，不受数据不平衡影响，容易受到识别性高（高recall、高precision）的类别影响；
'weighted': 计算每个标签的指标，并找到它们的平均加权支持 (每个标签的真实实例数)。这会改变 “macro” 以解决标签不平衡; 它可能导致F分数不在精度和召回率之间。
'samples': 计算每个实例的指标，并找到它们的平均值 (仅对于与accuracy_score不同的多标签分类有意义)。
代码展示：
二分类情况：
>>> 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]
# 计算二分类情况下的average = 'macro' 'micro' 'binary'
# 二分类情况下，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) # 二分类情况下，默认使用binary
0.4多分类情况：
>>> 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) # 相当于binary，为每个类别计算binary的f1分数，但是不能输入binary，要输入None
array([0.8, 0. , 0. ])
>>> 0.8/3
0.26666666666666666到此这篇关于sklearn.metrics 中的f1-score简介的文章就介绍到这了,更多相关sklearn.metrics 中f1-score内容请搜索aitechtogether.com以前的文章或继续浏览下面的相关文章希望大家以后多多支持aitechtogether.com！
