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（precision）和召回率（recall）的加权调和平均值，其最优值为 1，最差值为 0。

beta 参数表示召回率重要性与精确率重要性的比率。beta > 1 会赋予召回率更高的权重，而 beta < 1 则倾向于精确率。例如，beta = 2 使得召回率的重要性是精确率的两倍，而 beta = 0.5 则相反。渐近地，beta -> +inf 只考虑召回率，而 beta -> 0 只考虑精确率。

F-beta 分数的计算公式为

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

其中 \(\text{tp}\) 是真正例的数量，\(\text{fp}\) 是假正例的数量，\(\text{fn}\) 是假负例的数量。

通过将多分类（multiclass）和多标签（multilabel）数据视为一系列二元问题（每个标签对应一个问题），从而实现对超出二元（binary）目标的计算支持。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'，则忽略 pos_label，并计算两个类别的 F-beta 分数，然后进行平均或同时返回（当 average=None 时）。类似地，对于多分类和多标签目标，所有 labels 的 F-beta 分数将根据 average 参数被返回或平均。使用 labels 来指定需要计算 F-beta 分数的标签集。

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。

betafloat

决定了召回率在组合分数中的权重。

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”

设置除以零时返回的值，即当所有预测和标签均为负数时。

注意事项

如果设置为“warn”，则其作用类似于 0，但也会发出警告。
如果设置为 np.nan，则此类值将被排除在平均值之外。

版本 1.3 中的新增: 添加了 np.nan 选项。

返回:

fbeta_scorefloat (如果 average 不为 None) 或 float 数组，形状 = [n_unique_labels]: 二元分类中正类的 F-beta 分数，或多分类任务中每个类别的 F-beta 分数的加权平均值。

另请参阅

precision_recall_fscore_support: 计算精确率、召回率、F-分数和支持度（support）。
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 时，F-分数返回 0.0 并引发 UndefinedMetricWarning。该行为可以通过设置 zero_division 来修改。

F-beta 分数并未实现为可以直接传递给交叉验证工具 scoring 参数的命名评分器：它需要使用 make_scorer 进行封装，以便指定 beta 的值。详细信息请参阅示例。

References

[1]

R. Baeza-Yates 和 B. Ribeiro-Neto (2011). Modern Information Retrieval. Addison Wesley, 第 327-328 页。

[2]

F1-score 的维基百科条目.

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

为了将 fbeta_scorer 用作评分器，首先需要使用 make_scorer 创建一个可调用的评分器对象，并传入 beta 参数的值。

>>> from sklearn.metrics import fbeta_score, make_scorer
>>> ftwo_scorer = make_scorer(fbeta_score, beta=2)
>>> from sklearn.model_selection import GridSearchCV
>>> from sklearn.svm import LinearSVC
>>> grid = GridSearchCV(
...     LinearSVC(dual="auto"),
...     param_grid={'C': [1, 10]},
...     scoring=ftwo_scorer,
...     cv=5
... )