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评分，也称为平衡F评分或F测量。

F1分数可以解释为精确度和召回率的调和平均值，其中F1分数在1时达到最佳值，在0时达到最差值。查准率和查全率对F1得分的相对贡献是相等的。F1分数的计算公式为：

\[\text{F1} = \frac{2 * \text{TP}}{2 * \text{TP} + \text{FP} + \text{FN}}\]

Where \(\text{TP}\) is the number of true positives, \(\text{FN}\) is the number of false negatives, and \(\text{FP}\) is the number of false positives. F1 is by default calculated as 0.0 when there are no true positives, false negatives, or false positives.

年之后的支持 binary 通过治疗来实现目标 multiclass 和 multilabel 数据作为二进制问题的集合，每个标签一个问题。为 binary 案例、设置 average='binary' 将返回F1比分 pos_label .如果 average 不 'binary' , pos_label 被忽略，并计算两个类别的F1分数，然后求平均值或两者返回（当 average=None ).同样对于 multiclass 和 multilabel 目标，F1得分为所有人 labels 根据 average 参数.使用 labels 指定要计算F1分数的标签集。

阅读更多的 User Guide .

参数:

y_true1D类数组或标签指示符数组/稀疏矩阵

地面真相（正确）目标值。

y_pred1D类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类数组，默认=无

何时包含的标签集 average != 'binary' ，以及它们的顺序，如果 average is None .可以排除数据中存在的标签，例如在多类分类中排除“负类”。可以包括数据中未出现的标签，并将“分配”0个样本。对于多标签目标，标签是列索引。默认情况下，所有标签 y_true 和 y_pred 按排序顺序使用。

在 0.17 版本发生变更: 参数 labels 改进了多类问题。

pos_labelint、float、bool或char，默认=1

如果需要报告的班级 average='binary' 并且数据是二进制的，否则该参数将被忽略。对于多类别或多标签目标，设置 labels=[pos_label] 和 average != 'binary' 仅报告一个标签的指标。

average“微观”、“宏观”、“样本”、“加权”、“二进制”}或无， 默认='二元'

多类/多标签目标需要此参数。如果 None ，返回每个类别的指标。否则，这将确定对数据执行的平均类型：

'binary' :

仅报告由指定的类的结果 pos_label .这仅适用于以下情况 (y_{true,pred} ）是二进制的。

'micro' :

通过计算总真阳性、假阴性和假阳性来计算全球指标。

'macro' :

计算每个标签的指标，并找到其未加权平均值。 这没有考虑标签不平衡。

'weighted' :

计算每个标签的指标，并找到按支持度加权的平均值（每个标签的真实实例数）。这会改变“宏”以解决标签失衡问题;它可能会导致F评分不在精确度和召回率之间。

'samples' :

计算每个实例的指标，并找到其平均值（仅对多标签分类有意义，因为这与多标签分类不同 accuracy_score ).

sample_weight形状类似数组（n_samples，），默认=无

样本重量。

zero_division{“warn”，0.0，1.0，NP.nan}，默认=“warn”

设置当零除时（即当所有预测和标签均为负时）返回的值。

注释：-如果设置为“警告”，则其行为类似于0，但也会引发警告。- 如果设置为 np.nan ，这些值将被排除在平均值之外。

Added in version 1.3: np.nan 添加了选项。

返回:

f1_scorefloat或float数组，形状= [n_unique_labels]

二进制分类中正类别的F1分数或多类别任务每个类别F1分数的加权平均值。

参见

fbeta_score

计算F-beta评分。

precision_recall_fscore_support

计算精确度、召回率、F分数和支持度。

jaccard_score

计算Jaccard相似性系数得分。

multilabel_confusion_matrix

为每个类别或样本计算混淆矩阵。

注意到

当 true positive + false positive + false negative == 0 (i.e.一个类完全缺席两者 y_true 或 y_pred ），f分数未定义。在这种情况下，默认f-score将设置为0.0，并且 UndefinedMetricWarning 将被提出。可以通过设置 zero_division 参数.

引用

[1]

Wikipedia entry for the F1-score <https://en.wikipedia.org/wiki/F1_score> _.

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')
0.26...
>>> f1_score(y_true, y_pred, average='micro')
0.33...
>>> f1_score(y_true, y_pred, average='weighted')
0.26...
>>> 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])