[二分类]F1 score

发表于 更新于 分类于
本文字数： 785 阅读时长 ≈ 1 分钟

\(F_{1} score\)可以解释为精确度和召回率的加权平均值，相当于精确率和召回率的综合评价指标

当前着重于二分类F1 score

计算

精确率和召回率的计算参考[二分类]PR曲线。\(F_{1} score\)的计算公式如下：

\[ F_{1} = \frac {2}{recall^{-1} + precision^{-1}} = 2\cdot \frac {precision\cdot recall}{precision + recall} \]

\(F_{1}\)取值为[0, 1]，其中数值为1表示实现了最好的精确率和召回率，数值为0表示性能最差

python

Python库Sklearn实现了\(F_{1} score\)的计算

1
def f1_score(y_true, y_pred, labels=None, pos_label=1, average='binary', sample_weight=None):

该函数返回二元分类中正样本的F1 score值

  • y_true：一维数组，表示正样本标签
  • y_pred：一维数组，表示分类器预测类别
  • pos_label：字符串或者数值，表示正样本类标签，默认为1

示例

参考[二分类]PR曲线实现二元数据集的提取，分类器的训练和预测。F1-score计算如下：

1
2
3
4
5
6
7
8
from sklearn.metrics import f1_score

classifier = LogisticClassifier()
classifier.train(x_train, train_labels)
res_labels, scores = classifier.predict(x_test)

f1 = f1_score(test_labels, res_labels)
print(f1)

相关阅读