sklearn.metrics 中的f1-score簡介

更新時間：2023年05月08日 11:12:26 作者：無腦敲代碼，bug漫天飛

這篇文章主要介紹了sklearn.metrics 中的f1-score簡介,本文給大家介紹的非常詳細，對大家的學習或工作具有一定的參考借鑒價值，需要的朋友可以參考下

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得分達到其最佳值為1，最差得分為0。精確度和召回率對F1得分的相對貢獻相等。F1得分的公式為:

F1 = 2 * (precision * recall) / (precision + recall)

在多類別和多標簽的情況下，這是每個類別的F1得分的平均值，其權重取決于平均參數(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: 分類器返回的估計目標。

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

average: 該參數(shù)是多類/多標簽目標所必需的。如果沒有，則返回每個類的分數(shù)。否則，這將確定對數(shù)據(jù)執(zhí)行的平均類型:

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

'micro': 通過計算總真陽性、假陰性和假陽性來全局計算指標。

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

'macro': 計算每個標簽的指標，并找到它們的未加權平均值。

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

'weighted': 計算每個標簽的指標，并找到它們的平均加權支持 (每個標簽的真實實例數(shù))。這會改變 “macro” 以解決標簽不平衡; 它可能導致F分數(shù)不在精度和召回率之間。

'samples': 計算每個實例的指標，并找到它們的平均值 (僅對于與accuracy_score不同的多標簽分類有意義)。

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) # 相當于binary，為每個類別計算binary的f1分數(shù)，但是不能輸入binary，要輸入None
array([0.8, 0. , 0. ])
>>> 0.8/3
0.26666666666666666

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

您可能感興趣的文章: