Python sklearn f1_score用法及代碼示例

本文簡要介紹python語言中 sklearn.metrics.f1_score 的用法。

用法:

sklearn.metrics.f1_score(y_true, y_pred, *, labels=None, pos_label=1, average='binary', sample_weight=None, zero_division='warn')

計算 F1 分數，也稱為平衡 F-score 或 F-measure。

F1 分數可以解釋為準確率和召回率的調和平均值，其中 F1 分數在 1 時達到其最佳值，在 0 時達到最差分數。準確率和召回率對 F1 分數的相對貢獻是相等的。 F1分數的公式是：

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

在多類和多標簽情況下，這是每個類的 F1 分數的平均值，其權重取決於 average 參數。

在用戶指南中閱讀更多信息。

參數：

y_true：一維數組，或標簽指示符數組/稀疏矩陣

基本事實(正確)目標值。

y_pred：一維數組，或標簽指示符數組/稀疏矩陣

分類器返回的估計目標。

labels：類似數組，默認=無

當 average != 'binary' 時要包含的標簽集，如果 average is None 則它們的順序。可以排除數據中存在的標簽，例如計算忽略多數負類的多類平均值，而數據中不存在的標簽將導致宏觀平均值中的 0 個分量。對於多標簽目標，標簽是列索引。默認情況下，y_true 和y_pred 中的所有標簽都按排序順序使用。

pos_label：str 或 int，默認 = 1

如果average='binary' 並且數據是二進製的，則要報告的類。如果數據是多類或多標簽的，這將被忽略；設置 labels=[pos_label] 和 average != 'binary' 將僅報告該標簽的分數。

average：{‘micro’, ‘macro’, ‘samples’,'加權', ‘binary’} 或無，默認='二進製'

多類/多標簽目標需要此參數。如果 None ，則返回每個類的分數。否則，這將確定對數據執行的平均類型：

'binary'：

僅報告 pos_label 指定的類的結果。這僅適用於目標 (y_{true,pred}) 是二進製的。

'micro'：

通過計算總的真陽性、假陰性和假陽性來全局計算指標。

'macro'：

計算每個標簽的指標，並找到它們的未加權平均值。這沒有考慮標簽不平衡。

'weighted'：

計算每個標簽的指標，並通過支持度(每個標簽的真實實例數)找到它們的平均加權值。這會改變 ‘macro’ 以解決標簽不平衡問題；它可能導致 F-score 不在精確率和召回率之間。

'samples'：

計算每個實例的指標，並找到它們的平均值(僅對不同於 accuracy_score 的多標簽分類有意義)。

sample_weight：形狀類似數組 (n_samples,)，默認=None

樣本權重。

zero_division：“warn”，0或1，默認=”warn”

設置當有零除法時返回的值，即當所有預測和標簽都是負數時。如果設置為“warn”，這將作為 0，但也會引發警告。

返回：

f1_score：浮點數或浮點數數組，形狀 = [n_unique_labels]

二分類中正類的 F1 分數或多類任務中每個類的 F1 分數的加權平均值。

注意：

當 true positive + false positive == 0 時，精度未定義。當 true positive + false negative == 0 時，召回未定義。在這種情況下，默認情況下，度量將設置為 0，f-score 和 UndefinedMetricWarning 將被提高。可以使用 zero_division 修改此行為。

參考：

1

Wikipedia entry for the F1-score 。

例子：

>>> from sklearn.metrics import 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')
0.26...
>>> f1_score(y_true, y_pred, average='micro')
0.33...
>>> f1_score(y_true, y_pred, average='weighted')
0.26...
>>> f1_score(y_true, y_pred, average=None)
array([0.8, 0. , 0. ])
>>> y_true = [0, 0, 0, 0, 0, 0]
>>> y_pred = [0, 0, 0, 0, 0, 0]
>>> f1_score(y_true, y_pred, zero_division=1)
1.0...
>>> # multilabel classification
>>> y_true = [[0, 0, 0], [1, 1, 1], [0, 1, 1]]
>>> y_pred = [[0, 0, 0], [1, 1, 1], [1, 1, 0]]
>>> f1_score(y_true, y_pred, average=None)
array([0.66666667, 1.        , 0.66666667])