通过函数 sklearn.metrics.f1_score(y_true, y_pred, labels=None, pos_label=1, average=’binary’, sample_weight=None)
计算:
y_ture
:一维数组或标签,表示正确的标签
y_pred
:分类器返回的估计标签
average
:多分类需要此标签,如果设为None,将返回各个类的分数,否者对数据进行平均,默认参数为’binary’,仅当target是二进制时才适用,多标签时:
‘weighted’,按加权(每个标签的真实实例数)平均,这可以解决标签不平衡问题,可能导致f1分数不在precision于recall之间。
‘micro’,总体计算f1值,及不分类计算。
‘macro’:计算每个标签的f1值,取未加权平均值,不考虑标签不平衡。
Sklearn中的F1值计算
最新推荐文章于 2024-04-18 10:56:43 发布