Python mxnet.metric.F1用法及代码示例

用法: class mxnet.metric.F1(name='f1', output_names=None, label_names=None, average='macro')

参数：

name：(str) - 此度量实例的名称用于显示。
output_names：(list of str, or None) - 使用update_dict 更新时应使用的预测名称。默认情况下包括所有预测。
label_names：(list of str, or None) - 使用update_dict 更新时应使用的标签名称。默认情况下包括所有标签。
average：(str, default 'macro') -

用于跨小批量聚合的策略。
”macro”：平均每批次的 F1 分数。 “micro”：计算所有批次的单个 F1 分数。

基础： mxnet.metric.EvalMetric

计算二元分类问题的 F1 分数。

F1 分数相当于准确率和召回率的调和平均值，其中最佳值为 1.0，最差值为 0.0。 F1分数的公式是：

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

准确率和召回率的公式是：

precision = true_positives / (true_positives + false_positives)
recall    = true_positives / (true_positives + false_negatives)

注意：

这个 F1 分数只支持二元分类。

例子：

>>> predicts = [mx.nd.array([[0.3, 0.7], [0., 1.], [0.4, 0.6]])]
>>> labels   = [mx.nd.array([0., 1., 1.])]
>>> f1 = mx.metric.F1()
>>> f1.update(preds = predicts, labels = labels)
>>> print f1.get()
('f1', 0.8)

相关用法

注：本文由纯净天空筛选整理自apache.org大神的英文原创作品 mxnet.metric.F1。非经特殊声明，原始代码版权归原作者所有，本译文未经允许或授权，请勿转载或复制。