Sklearn中的F1值计算

最新推荐文章于 2025-03-15 21:36:31 发布

ODIMAYA

最新推荐文章于 2025-03-15 21:36:31 发布

阅读量4.8k

点赞数 3

CC 4.0 BY-SA版权

本文链接：https://blog.youkuaiyun.com/ODIMAYA/article/details/103201535

本文深入讲解了sklearn库中f1_score函数的使用方法，包括如何通过该函数评估分类器性能，以及不同average参数设置下（如'binary'、'micro'、'macro'和'weighted'）对多分类问题的影响。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

在这里插入图片描述
通过函数 sklearn.metrics.f1_score(y_true, y_pred, labels=None, pos_label=1, average=’binary’, sample_weight=None)计算：
y_ture:一维数组或标签，表示正确的标签
y_pred:分类器返回的估计标签
average:多分类需要此标签，如果设为None，将返回各个类的分数，否者对数据进行平均，默认参数为’binary’，仅当target是二进制时才适用，多标签时：
‘weighted’，按加权（每个标签的真实实例数）平均，这可以解决标签不平衡问题，可能导致f1分数不在precision于recall之间。
‘micro’，总体计算f1值，及不分类计算。
‘macro’:计算每个标签的f1值，取未加权平均值，不考虑标签不平衡。