大家好,我是爱编程的喵喵。双985硕士毕业,现担任全栈工程师一职,热衷于将数据思维应用到工作与生活中。从事机器学习以及相关的前后端开发工作。曾在阿里云、科大讯飞、CCF等比赛获得多次Top名次。现为CSDN博客专家、人工智能领域优质创作者。喜欢通过博客创作的方式对所学的知识进行总结与归纳,不仅形成深入且独到的理解,而且能够帮助新手快速入门。
本文主要介绍了sklearn中f1_score参数解析,希望能对学习python和机器学习的同学有所帮助。
文章目录
1. f1_score
- sklearn.metrics.f1_score(y_true, y_pred, labels=None, pos_label=1, average=‘binary’, sample_weight=None, zero_division=‘warn’)
y_true和y_pred顾名思义,一个是真实的标签,一个是预测的标签,注意这里的标签不需要转成one-hot形式
f1_score在讲解时适用于二分类,结果是类别1(如患癌症)的f1_score。在多分类中,可以假设某个类别为1,其他类别为0,因此可以计算每个类别的f1_score
2. average
- string, [None, ‘binary’ (default), ‘micro’, ‘macro’, ‘samples’, ‘weighted’]
- None:返回每个类别的f1_score,是一个列表
- binary:仅适用于二分类,当pos_label为1时,返回类别1的f1_score
- m