sklearn.metrics 中的f1-score简介
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内容请搜索脚本之家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脚本之家！
相关文章
这篇文章主要为大家详细介绍了如何使用Python制作Windows凭据添加工具,文中的示例代码讲解详细,感兴趣的小伙伴可以跟随小编一起学习一下2024-12-12
这篇文章主要介绍了Win10环境中如何实现python2和python3并存,文中通过示例代码介绍的非常详细，对大家的学习或者工作具有一定的参考学习价值,需要的朋友可以参考下2020-07-07
这篇文章主要介绍了django-初始配置(纯手写)详解,文中通过示例代码介绍的非常详细，对大家的学习或者工作具有一定的参考学习价值,需要的朋友可以参考下2019-07-07
我相信很多人和小编一样,从来没有好好研究过Python的文件路径,Python作为一个magical语言,肯定有其他更直观的文件路径处理方法,下面就跟随小编一起了解一下吧2025-04-04
Selenium是一个模拟浏览器浏览网页的工具,主要用于测试网站的自动化测试工具,本文主要介绍了python使用selenium操作浏览器的实现示例,具有一定的参考价值,感兴趣的可以了解一下2024-01-01
这篇文章主要介绍了Python数据可视化箱线图多种库画法,本文给大家介绍的非常详细，具有一定的参考借鉴价值，需要的朋友可以参考下2019-11-11
这篇文章主要给大家介绍了关于解决Django模板无法使用perms变量问题的方法，文中通过示例代码介绍的非常详细，对大家的学习或者工作具有一定的参考学习价值，需要的朋友们下面随着小编来一起学习学习吧。2017-09-09
Graphviz 是一款由 AT&T Research 和 Lucent Bell 实验室开源的可视化图形工具，可以很方便的用来绘制结构化的图形网络，支持多种格式输出，这篇文章主要介绍了pygraphviz安装教程,需要的朋友可以参考下2023-02-02
这篇文章主要介绍了jupyter notebook实现显示行号，具有很好的参考价值，希望对大家有所帮助。一起跟随小编过来看看吧2020-04-04
python用pd.read_csv()方法来读取csv文件的实现
本文主要介绍了python用pd.read_csv()方法来读取csv文件的实现，文中通过示例代码介绍的非常详细，对大家的学习或者工作具有一定的参考学习价值，需要的朋友们下面随着小编来一起学习学习吧2022-06-06
最新评论