广告区

广告区


本站消息

站长简介/公众号

关注本站官方公众号:程序员总部,领取三大福利!
福利一:python和前端辅导
福利二:进程序员交流微信群,专属于程序员的圈子
福利三:领取全套零基础视频教程(python,java,前端,php)

  价值13000svip视频教程,python大神匠心打造,零基础python开发工程师视频教程全套,基础+进阶+项目实战,包含课件和源码

  出租广告位,需要合作请联系站长

+关注
已关注

分类  

暂无分类

标签  

暂无标签

日期归档  

2021-07(1)

2021-08(8)

python 中,sklearn包下的f1_score的使用方法,Accuracy、Precision、Recall和F1-score公式,TP、FP、TN、FN的概念

发布于2022-06-20 23:45     阅读(752)     评论(0)     点赞(24)     收藏(1)



sklearn.metrics.f1_score官网链接sklearn.metrics.f1_score — scikit-learn 1.0.2 documentation

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

重要参数说明:

y_true:一维数组,或标签指示数组/稀疏矩阵 (真实值)

y_pred:一维数组,或标签指示数组/稀疏矩阵 (预测值)

pos_label:str or int, default=1

                  报告是否average='binary'且数据为binary的类。如果数据是多类或多标签的,这将                          被忽略;设置labels=[pos_label]和average != 'binary'将只报告该标签的分数。

average:{‘micro’, ‘macro’, ‘samples’,’weighted’, ‘binary’} or None, default=’binary’

                多类/多标签目标时需要此参数。如果为None,则返回每个类的分数。否则,这决定了对数据进行平均的类型:

        “binary”: 只报告由pos_label指定的类的结果。这只适用于目标(y_{true,pred})是二进制的情况。

        “micro”: 通过计算总真阳性、假阴性和假阳性来全局计算指标。

        “macro”: 计算每个标签的度量,并找到它们的未加权平均值。这还没有考虑到标签的不平衡。

         “weighted”:  计算每个标签的指标,并根据支持找到它们的平均权重(每个标签的真实实例数)。这改变了“宏观”的标签不平衡;它会导致一个不介于准确率和召回率之间的f值。

         “samples”:  为每个实例计算指标,并找到它们的平均值(仅对与accuracy_score不同的多标签分类有意义)。

sample_weight:array-like of shape (n_samples,), default=None

           样本的权重

zero_division:“warn”, 0 or 1, default=”warn”

                设置除法为零时返回的值,即所有预测和标签为负数时返回。如果设置为" warn ",这将充当0,但也会引发警告。

返回值:

  1. f1_score:float or array of float, shape = [n_unique_labels]
  2. 二分类中正类的F1分,
  3. 或多类任务中,每个类的F1分的加权平均。

示例:

  1. from sklearn.metrics import f1_score
  2. y_true = [0, 1, 1, 1, 2, 2]
  3. y_pred = [0, 1, 1, 2, 1, 2]
  4. macro_f1 = f1_score(y_true, y_pred, average='macro')
  5. micro_f1 = f1_score(y_true, y_pred, average='micro')
  6. weighted_f1= f1_score(y_true, y_pred, average='weighted')
  7. None_f1 = f1_score(y_true, y_pred, average=None)
  8. print('macro_f1:',macro_f1,'\nmicro_f1:',micro_f1,'\nweighted_f1:',
  9. weighted_f1,'\nNone_f1:',None_f1)

输出结果:

  1. macro_f1: 0.7222222222222222
  2. micro_f1: 0.6666666666666666
  3. weighted_f1: 0.6666666666666666
  4. None_f1: [1. 0.66666667 0.5 ]

Accuracy、Precision、Recall和F1-score公式:

Acccuracy = \frac{TP+TN}{TP+FN+FP+TN}

Precision = \frac{TP}{TP+FP}

Recall = \frac{TP}{TP+FN}

F1-score = \frac{2*(Precision*Recall)}{Precision+Recall}

TP、FP、TN、FN的概念:

TP(True Positive):预测为正,预测结果是正确的

FP(False Positive):预测为正,预测结果是错误的

TN(True Negative):预测为负,预测结果是正确的

FN(False Negative):预测为负,预测结果是错误的

原文链接:https://blog.csdn.net/mzm123321/article/details/124712668







所属网站分类: 技术文章 > 博客

作者:我是防疫小可爱

链接:https://www.pythonheidong.com/blog/article/1594415/2608681434a3bb028e2f/

来源:python黑洞网

任何形式的转载都请注明出处,如有侵权 一经发现 必将追究其法律责任

24 0
收藏该文
已收藏

评论内容:(最多支持255个字符)