fbeta_score#

sklearn.metrics.fbeta_score(y_true, y_pred, *, beta, labels=None, pos_label=1, average='binary', sample_weight=None, zero_division='warn')[源代码]#

计算F-beta评分。

F-Beta得分是精确度和召回率的加权调和平均值，在1时达到最佳值，在0时达到最差值。

The beta parameter represents the ratio of recall importance to precision importance. beta > 1 gives more weight to recall, while beta < 1 favors precision. For example, beta = 2 makes recall twice as important as precision, while beta = 0.5 does the opposite. Asymptotically, beta -> +inf considers only recall, and beta -> 0 only precision.

F-Beta评分的公式为：

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

哪里 \(\text{tp}\) 是真阳性的数量， \(\text{fp}\) 是误报的数量， \(\text{fn}\) 是假阴性的数量。

Support beyond term:binary targets is achieved by treating multiclass and multilabel data as a collection of binary problems, one for each label. For the binary case, setting average='binary' will return F-beta score for pos_label. If average is not 'binary', pos_label is ignored and F-beta score for both classes are computed, then averaged or both returned (when average=None). Similarly, for multiclass and multilabel targets, F-beta score for all labels are either returned or averaged depending on the average parameter. Use labels specify the set of labels to calculate F-beta score for.

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。

beta浮子

确定回忆在综合分数中的权重。

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：

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:

fbeta_scorefloat（如果平均值不是无）或float数组，shape = [n_unique_labels]: 二元分类中正类的F-beta得分或多类任务中每个类的F-beta得分的加权平均值。

参见

precision_recall_fscore_support: 计算精确度、召回率、F分数和支持度。
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 ，f分数返回0.0并提高 UndefinedMetricWarning .此行为可以通过设置修改 zero_division .

引用

[1]

R.贝萨-耶茨和B。里贝罗-内托（2011）。现代信息检索。艾迪生·韦斯利，页。327-328.

[2]

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

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)
0.23...
>>> fbeta_score(y_true, y_pred, average='micro', beta=0.5)
0.33...
>>> fbeta_score(y_true, y_pred, average='weighted', beta=0.5)
0.23...
>>> 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)
0.12...