博客

详解 Scikit-learn 的 metrics.f1_score函数：计算分类器 F1 值

  • Post category:Python

1. F1-Score 介绍

F1-Score是一种用于评估二分类模型（Binary Classification）好坏的指标。它是精确率（Precision）和召回率（Recall）的调和平均数。在二分类问题中，精确率指的是预测为Positive的样本中，实际也为Positive的比例，召回率表示实际为Positive的样本中，被预测为Positive的比例。F1-Score在精确率和召回率权衡的问题上比较优秀，尤其是在不可靠的数据集上。

F1-Score的取值范围是0到1之间，取得最大值1时，说明分类器的效果最佳。反之，取值越小，分类器效果越差。公式如下：

$$ F1=\frac{2\times Precision\times Recall}{Precision+Recall} $$

其中，精确率（Precision）计算公式为：

$$ Precision=\frac{True Positive}{True Positive+False Positive} $$

召回率（Recall）计算公式为：

$$ Recall= \frac{True Positive}{True Positive+False Negative} $$

2. sklearn.metrics.f1_score函数的参数与用法

在Scikit-learn中，可以通过sklearn.metrics.f1_score函数来计算二分类模型的F1-Score。该函数的使用方法如下：

f1_score(y_true, y_pred, labels=None, pos_label=1, average=’binary’, sample_weight=None)

其中，参数说明如下：

  • y_true：array-like，一维数组，表示真实标签数组；
  • y_pred：array-like，一维数组，表示预测标签数组；
  • labels：array-like，一维数组，表示所有分类的标签；
  • pos_label：int 或 str，默认值为1，表示正类标签；
  • average：str，可选值为（‘micro’, ‘macro’, ‘samples’, ‘weighted’, ‘binary’）之一，默认值为‘binary’，表示计算二分类问题的F1-Score；
  • sample_weight：array-like，可选，用于表示各样本权重的数组。

3. sklearn.metrics.f1_score函数的实例

为了更好的说明上述函数的用途，下面提供两个实例。

3.1 实例1：二分类问题

from sklearn.metrics import f1_score
y_true = [0, 1, 0, 1, 1]
y_pred = [1, 0, 0, 1, 1]
f1 = f1_score(y_true, y_pred)
print("F1-Score: {}".format(f1))

上述代码中，首先导入了f1_score函数，然后定义了两个一维数组y_true和y_pred，分别表示真实标签和预测标签。接下来，调用f1_score函数，计算二分类问题的F1-Score。最后输出结果，得到：

F1-Score: 0.6666666666666666

3.2 实例2：多分类问题

from sklearn.metrics import f1_score
y_true = [0, 1, 2, 0, 1, 2]
y_pred = [0, 2, 1, 0, 0, 1]
f1 = f1_score(y_true, y_pred, average='micro')
print("F1-Score (micro): {}".format(f1))
f1 = f1_score(y_true, y_pred, average='macro')
print("F1-Score (macro): {}".format(f1))

在这个例子中，我们考虑一个三分类问题，标签分别为0、1、2，真实标签和预测标签分别表示为y_true和y_pred。在计算F1-Score时，我们先使用‘micro’参数计算，然后使用‘macro’参数计算。最后输出结果，得到：

F1-Score (micro): 0.3333333333333333
F1-Score (macro): 0.26666666666666666

其中，使用‘micro’参数计算得到的F1-Score为0.3333，而使用‘macro’参数计算得到的F1-Score为0.2667。

Tags: