sklearn(九)计算f1_score()

1.为什么为会有f1这个指标

2.f1的定义以及使用

公式:f1 = 2*p*r/(p+r)

f1的值在0和1之间，越大越好。准确率p和召回率r对f1的贡献是相等。

调用:  from sklearn.metrics import f1_score

f1_score (y_true, y_pred, labels=None, pos_label=1, average=’binary’, sample_weight=None)

多分类和多标签情况下，输出结果跟参数average有关系。

1）average : string, [None, ‘binary’ (default), ‘micro’, ‘macro’, ‘weighted’, ‘samples’]，有6中取值，意义如下：

• None：返回每一类各自的f1_score，得到一个array。
• 'binary':  只对二分类问题有效，返回由pos_label指定的类的f1_score。
• 'micro': 设置average='micro'时，Precision = Recall = F1_score = Accuracy。整体计算TP，FN，FP
• 'macro': 对每一类别的f1_score进行简单算术平均（unweighted mean）,这类有一个前提假设：每一个类都同等的重要。
• 'weighted': 对每一类别的f1_score进行加权平均，权重为各类别数在y_true中所占比例。
• 'samples':用于多标签任务，按照样本维度计算混淆矩阵，然后计算平均值。Calculate metrics for each instance, and find their average (only meaningful for multilabel classification where this differs from accuracy_score).

3.sklearn：从二分类到多分类和多标签

主要内容摘要：

4.例子

from sklearn.metrics import f1_score, accuracy_score
y_true = [0, 1, 2, 0, 1, 2, 2]
y_pred = [0, 2, 1, 0, 0, 1, 1]
 
macro = f1_score(y_true, y_pred, average='macro')  
 
micro = f1_score(y_true, y_pred, average='micro')  
 
weighted = f1_score(y_true, y_pred, average='weighted')  
 
none = f1_score(y_true, y_pred, average=None)
 
acc = accuracy_score(y_true, y_pred)
 
print(micro==acc)

参考：

1.

2.

3.sklearn：https://scikit-learn.org/stable/modules/model_evaluation.html#average

4.f1比较好的例子：https:///lyb3b3b/article/details/84819931