f1_score#
- sklearn.metrics.f1_score(y_true, y_pred, *, labels=None, pos_label=1, average='binary', sample_weight=None, zero_division='warn')[source]#
计算 F1 分数，也称为平衡 F 分数或 F-measure。
F1 分数可以解释为精确率 (precision) 和召回率 (recall) 的调和平均值，其中 F1 分数在 1 时达到最佳值，在 0 时达到最差值。精确率和召回率对 F1 分数的贡献是相等的。F1 分数的公式为
\[\text{F1} = \frac{2 * \text{TP}}{2 * \text{TP} + \text{FP} + \text{FN}}\]其中 \(\text{TP}\) 是真正例数，\(\text{FN}\) 是假负例数，\(\text{FP}\) 是假正例数。当没有真正例、假负例或假正例时，F1 默认计算为 0.0。
对二分类目标之外的支持是通过将多分类和多标签数据视为一系列二分类问题来实现的，每个标签一个。对于二分类情况，设置
average='binary'将返回pos_label的 F1 分数。如果average不是'binary'，则忽略pos_label并计算两个类别的 F1 分数，然后取平均值或全部返回（当average=None时）。同样，对于多分类和多标签目标，根据average参数的不同，所有labels的 F1 分数要么被返回，要么被平均。使用labels来指定计算 F1 分数的标签集合。在用户指南中阅读更多内容。
- 参数:
- y_true1d array-like, or label indicator array / sparse matrix
真实（正确）目标值。稀疏矩阵仅在目标为 多标签 类型时受支持。
- y_pred1d array-like, or label indicator array / sparse matrix
分类器返回的估计目标。稀疏矩阵仅在目标为 多标签 类型时受支持。
- labels类似数组对象, default=None
当
average != 'binary'时要包括的标签集，如果average is None，则为它们的顺序。可以排除数据中存在的标签，例如在多类分类中排除“负类”。可以包括数据中不存在的标签，这些标签将被“分配”0个样本。对于多标签目标，标签是列索引。默认情况下，按排序顺序使用y_true和y_pred中的所有标签。版本 0.17 中的变化: 针对多类问题改进了参数
labels。- pos_labelint, float, bool or str, default=1
如果
average='binary'且数据为二元，则报告的类别，否则此参数将被忽略。对于多类或多标签目标，设置labels=[pos_label]和average != 'binary'以仅报告一个标签的指标。- average{‘micro’, ‘macro’, ‘samples’, ‘weighted’, ‘binary’} or None, default=’binary’
此参数对于多类/多标签目标是必需的。如果为
None，则返回每个类别的指标。否则，这决定了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':通过计算总的真正例、假负例和假正例来全局计算指标。
'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，并找到按支持度（每个标签的真实实例数）加权的平均值。这会修改“宏平均”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_weightshape 为 (n_samples,) 的 array-like, default=None
样本权重。
- zero_division{“warn”, 0.0, 1.0, np.nan}, default=”warn”
设置出现零除情况时返回的值，即当所有预测和标签均为负时。
注意：- 如果设置为 “warn”，则其作用类似于 0，但会引发警告。- 如果设置为
np.nan，则此类值将从平均值中排除。版本 1.3 中的新增: 添加了
np.nan选项。
- 返回:
- f1_score浮点数或浮点数数组，形状 = [n_unique_labels]
二分类中正类的 F1 分数，或多分类任务中各类别 F1 分数的加权平均值。
另请参阅
fbeta_score计算 F-beta 分数。
precision_recall_fscore_support计算精确率、召回率、F-score 和支持度。
jaccard_score计算 Jaccard 相似系数分数。
multilabel_confusion_matrix计算每个类别或样本的混淆矩阵。
注意事项
当
真正例 + 假正例 + 假负例 == 0（即某个类别在y_true或y_pred中完全不存在）时，F-score 未定义。在这种情况下，默认情况下 F-score 将设置为 0.0，并引发UndefinedMetricWarning。可以通过设置zero_division参数来修改此行为。References
[1]示例
>>> import numpy as np >>> 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') 0.267 >>> f1_score(y_true, y_pred, average='micro') 0.33 >>> f1_score(y_true, y_pred, average='weighted') 0.267 >>> f1_score(y_true, y_pred, average=None) array([0.8, 0. , 0. ])
>>> # binary classification >>> y_true_empty = [0, 0, 0, 0, 0, 0] >>> y_pred_empty = [0, 0, 0, 0, 0, 0] >>> f1_score(y_true_empty, y_pred_empty) 0.0... >>> f1_score(y_true_empty, y_pred_empty, zero_division=1.0) 1.0... >>> f1_score(y_true_empty, y_pred_empty, zero_division=np.nan) nan...
>>> # 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])
