fbeta_score#

sklearn.metrics.fbeta_score(y_true, y_pred, *, beta, labels=None, pos_label=1, average='binary', sample_weight=None, zero_division='warn')[source]#

计算 F-beta 分数。

F-beta 分数是精确率和召回率的加权调和平均值，其最佳值为 1，最差值为 0。

参数 beta 表示召回率重要性与精确率重要性的比率。当 beta > 1 时，召回率权重更高，而当 beta < 1 时，精确率权重更高。例如，beta = 2 使召回率的重要性是精确率的两倍，而 beta = 0.5 则相反。渐近地，当 beta -> +inf 时，只考虑召回率；当 beta -> 0 时，只考虑精确率。

F-beta 分数的公式为

\[F_\beta = \frac{(1 + \beta^2) \text{tp}} {(1 + \beta^2) \text{tp} + \text{fp} + \beta^2 \text{fn}}\]

其中 \(\text{tp}\) 是真阳性数量，\(\text{fp}\) 是假阳性数量，\(\text{fn}\) 是假阴性数量。

除了术语 binary 目标之外，通过将 多类别 和 多标签 数据视为二元问题集合，为每个标签计算 F-beta 分数。对于 二元 情况，设置 average='binary' 将返回 pos_label 的 F-beta 分数。如果 average 不是 'binary'，则 pos_label 被忽略，并且计算两个类别的 F-beta 分数，然后进行平均或返回两者（当 average=None 时）。类似地，对于 多类别 和 多标签 目标，所有 labels 的 F-beta 分数将根据 average 参数返回或平均。使用 labels 指定要计算 F-beta 分数的标签集。

在 用户指南 中了解更多。

参数:
y_true1维类数组，或标签指示器数组/稀疏矩阵

真实（正确）目标值。

y_pred1维类数组，或标签指示器数组/稀疏矩阵

分类器返回的估计目标。

beta浮点数

确定召回率在组合分数中的权重。

labels类数组，默认为 None

当 average != 'binary' 时要包含的标签集，以及当 average is None 时的它们的顺序。数据中存在的标签可以被排除，例如在多类别分类中排除“负类”。数据中不存在的标签可以被包含，并将被“分配”0个样本。对于多标签目标，标签是列索引。默认情况下，y_true 和 y_pred 中的所有标签都按排序顺序使用。

0.17 版本中更改: 参数 labels 针对多类别问题进行了改进。

pos_label整型、浮点型、布尔型或字符串，默认为 1

如果 average='binary' 且数据是二元的，则报告此类别，否则此参数将被忽略。对于多类别或多标签目标，设置 labels=[pos_label] 且 average != 'binary' 以仅报告一个标签的指标。

average{‘micro’, ‘macro’, ‘samples’, ‘weighted’, ‘binary’} 或 None，默认为 ‘binary’

对于多类别/多标签目标，此参数是必需的。如果为 None，则返回每个类别的指标。否则，这将确定对数据执行的平均类型

'binary':

仅报告由 pos_label 指定的类别的结果。这仅适用于目标 (y_{true,pred}) 是二元的情况。

'micro':

通过计算总真阳性、假阴性和假阳性来全局计算指标。

'macro':

计算每个标签的指标，并找到它们的未加权平均值。这不考虑标签不平衡。

'weighted':

计算每个标签的指标，并找到它们按支持（每个标签的真实实例数）加权的平均值。这改变了“macro”以考虑标签不平衡；它可能导致 F 分数不在精确率和召回率之间。

'samples':

计算每个实例的指标，并找到它们的平均值（仅对多标签分类有意义，这与 accuracy_score 不同）。

sample_weight形状为 (n_samples,) 的类数组，默认为 None

样本权重。

zero_division{“warn”, 0.0, 1.0, np.nan}，默认为 “warn”

当发生零除时（即所有预测和标签均为负时），设置要返回的值。

注意

  • 如果设置为“warn”，则其行为类似于 0，但也会引发警告。

  • 如果设置为 np.nan，则这些值将从平均值中排除。

1.3 版本新增: 增加了 np.nan 选项。

返回:
fbeta_score浮点数（如果 average 不是 None）或浮点数数组，形状 = [n_unique_labels]

二元分类中正类的 F-beta 分数，或多类别任务中每个类的 F-beta 分数的加权平均值。

另请参见

precision_recall_fscore_support

计算精确率、召回率、F 分数和支持。

multilabel_confusion_matrix

计算每个类别或样本的混淆矩阵。

注意

当 true positive + false positive + false negative == 0 时，F 分数返回 0.0 并引发 UndefinedMetricWarning。此行为可以通过设置 zero_division 来修改。

参考文献

[1]

R. Baeza-Yates and B. Ribeiro-Neto (2011). Modern Information Retrieval. Addison Wesley, pp. 327-328.

示例

>>> import numpy as np
>>> from sklearn.metrics import fbeta_score
>>> y_true = [0, 1, 2, 0, 1, 2]
>>> y_pred = [0, 2, 1, 0, 0, 1]
>>> fbeta_score(y_true, y_pred, average='macro', beta=0.5)
0.238
>>> fbeta_score(y_true, y_pred, average='micro', beta=0.5)
0.33
>>> fbeta_score(y_true, y_pred, average='weighted', beta=0.5)
0.238
>>> fbeta_score(y_true, y_pred, average=None, beta=0.5)
array([0.71, 0.        , 0.        ])
>>> y_pred_empty = [0, 0, 0, 0, 0, 0]
>>> fbeta_score(y_true, y_pred_empty,
...             average="macro", zero_division=np.nan, beta=0.5)
0.128
本页内容