sklearn中f1-score的简单使用

标签：不同   内容   公式   port   假设   平均值   learn   计算   details   

简单代码

from sklearn.metrics import f1_score                  # 导入f1_score
f1_score(y_test,y_predict, average=‘micro‘)            # 调用并输出计算的值
f1_score(y_test,y_predict, average=‘macro‘)

解释

其中

• y_test: 真实的数据集切分后的测试y的值
• y_predict: 预测值
  avarage: 数值计算的两种不同方式

f1_score

计算公式

f1_score = (2 * Recall * Presision) / (Recall + Presision)

意义

假设Recall 与 Presision 的权重一样大， 求得的两个值的加权平均书

sklearn中的使用

导入： from sklearn.metrics import f1_score

其中：average 的取值：

• micro： 通过计算正确，错误和否定的总数来全局计算指标
• 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。

详细内容参考： https://blog.csdn.net/weixin_46072771/article/details/105757363

sklearn中f1-score的简单使用

标签：不同   内容   公式   port   假设   平均值   learn   计算   details   

原文地址：https://www.cnblogs.com/wangxiaowu/p/13292156.html