sklearn.metrics.f1_score 使用方法

最新推荐文章于 2025-03-15 21:36:31 发布

壮壮不太胖^QwQ

最新推荐文章于 2025-03-15 21:36:31 发布

阅读量2.9w

点赞数 14

分类专栏：机器学习文章标签： python 机器学习

本文链接：https://blog.csdn.net/weixin_46072771/article/details/105757363

版权

本文介绍如何在sklearn中使用f1_score，作为精度和查全率的加权平均值，它衡量了二者的平衡。F1分数在1时最优，0时最差。在多类别和多标签场景下，F1分数会基于average参数进行加权平均。当分母为0时，sklearn默认设置分数为0，并发出警告，这一行为可以通过zero_division参数调整。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

原网站：sklearn官网

使用sklearn计算 F1 score

sklearn.metrics.f1_score(y_true, y_pred, labels=None, 
				pos_label=1, average='binary', sample_weight=None,
			    zero_division='warn')

计算F1分数，也称为平衡F分数或F测度

F1分数可以解释为精度和查全率的加权平均值，其中F1分数在1时达到最佳值，在0时达到最差值。精度和查全率对F1分数的相对贡献相等。F1分数的公式为：

F1 = 2 * (precision * recall) / (precision + recall)

在多类别和多标签的情况下，这是每个类别的F1分数的平均值，其权重取决于average 参数。

参数说明：

y_true：1d数组，或标签指示符数组/稀疏矩阵
		基本事实（正确）目标值。

y_pred：1d数组，或标签指示符数组/稀疏矩阵
		分类器返回的估计目标。

labels：list，optional
		包括when的标签集，以及if的顺序。可以排除数据中存在的标
		签，例如，以忽略多数否定类别的方式计算多类平均值，而数
		据中不存在的标签将导致宏平均值中的0成分。对于多标签目
		标，标签是列索引。默认情况下，和 中的所有标签均按排序顺
		序使用。
		average != 'binary'average is Noney_truey_pred

pos_label：str或int，默认值为1
	 	   要报告是否average='binary'以及数据是否为二进制的类。如果数据是
		   多类或多标签的，则将被忽略；设置，labels=[pos_label]并且只会报
		   告该标签的得分。average != 'binary'

average：string,

最低0.47元/天解锁文章