Python mxnet.metric.F1用法及代碼示例

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

參數：

name：(str) - 此度量實例的名稱用於顯示。
output_names：(list of str, or None) - 使用update_dict 更新時應使用的預測名稱。默認情況下包括所有預測。
label_names：(list of str, or None) - 使用update_dict 更新時應使用的標簽名稱。默認情況下包括所有標簽。
average：(str, default 'macro') -

用於跨小批量聚合的策略。
”macro”：平均每批次的 F1 分數。 “micro”：計算所有批次的單個 F1 分數。

基礎： mxnet.metric.EvalMetric

計算二元分類問題的 F1 分數。

F1 分數相當於準確率和召回率的調和平均值，其中最佳值為 1.0，最差值為 0.0。 F1分數的公式是：

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

準確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：

這個 F1 分數隻支持二元分類。

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)

相關用法

注：本文由純淨天空篩選整理自apache.org大神的英文原創作品 mxnet.metric.F1。非經特殊聲明，原始代碼版權歸原作者所有，本譯文未經允許或授權，請勿轉載或複製。