python - sklearn 计算F1
因为最近写的分类模型需要性能评价 ，常用的分类性能评价有 查准率、召回率、准确率、F1
分类问题的常用的包 sklearn ，下面对F1所用的方法进行介绍
查准率 请看另外一篇文章： sklearn 计算查准率
召回率 请看另外一篇文章： sklearn 计算召回率
前提知识
对于我们的二分类问题，会有以下情况：
- 真正例（True Positive，TP）：真实类别为正例，预测类别为正例。
- 假正例（False Positive，FP）：真实类别为负例，预测类别为正例。
- 假负例（False Negative，FN）：真实类别为正例，预测类别为负例。
- 真负例（True Negative，TN）：真实类别为负例，预测类别为负例。
然后可以构建混淆矩阵（Confusion Matrix）如下表所示。
真实类别 | 预测类别 | 预测类别 |
正例 | 负例 | |
正例 | TP | FN |
负例 | FP | TN |
准确率，又称查准率（Precision，P）：
召回率，又称查全率（Recall，R）：
F1值：
1、sklearn.metrics.f1_score()方法
方法说明：
sklearn.metrics.f1_score(y_true, y_pred, *, labels=None, pos_label=1,average='binary', sample_weight=None,zero_division="warn"):参数介绍：
- y_true：真实的标签，即数据集中真实的分类标签情况，是一个1维的数组
- y_pred：预测标签，即模型预测的分类标签情况，是一个1维的数组
- labels：可选参数，默认为None ，是一个一维的数组， 二分类时，不需要用这个参数。
- pos_label：字符串或者int类型，默认值是1，如果
average='binary且数据是二分类，则需要报告的类，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：字符串类型，取值为 [None, ‘binary’ (default), ‘micro’, ‘macro’, ‘samples’, ‘weighted’]。默认为binary，给出正样本的准确率，也就是pos_label默认参数1时的准确率。
- sample_weight：数组类型，样本的权重
- zero_division：取值为 [“warn”, ‘0’ , ‘1’] ，设置存在零除法时返回的值，warn也相等于是0，但是会出现警告
2、sklearn.metrics.precision_score()的使用举例（二分类）
在二分类问题上，使用这个非常简单，因为方法中很多参数都是针对 二分类 默认的参数，不需要额外指定
例如：pos_label 默认为1呀（二分类正样本的值），average为 二分类 binary
只需要 传入预测的 与 真实的 标签，即可求出准确率
from sklearn.metrics import f1_score
pred = [0, 1, 0, 1]
target = [0, 1, 1, 0]
f1 = f1_score(pred, target)
print(f1)
===> 0.5如果不是 0 1 的值，是其他二分类的值，那么就可以通过 labels、pos_label 来指定
labels = [3,4] # 二分类 两个类别的值
pred = [3, 4, 3, 4] # 预测的值
target = [3, 4, 4, 3] # 真实的值
f1 = f1_score(pred, target , labels = labels , pos_label= 3) # pos_label指定正样本的值是多少
print(f1 )
===> 0.52、sklearn.metrics.f1_score() 的使用举例（多分类）
针对多分类问题，各个参数的传参：
- labels ：需要是传入 多分类的 类别数组
- pos_label：该值会被忽略
- average：取值 ‘micro’, ‘macro’, ‘samples’, ‘weighted’
- sample_weight：权重
举例：
labels = [1, 2, 3, 4] # 有哪几类
pred = [1, 2, 3, 4, 2, 3, 4, 1] # 预测的值
target = [2, 3, 1, 4, 1, 4, 4, 1] # 真实的值
precision = f1_score(pred, target, labels=labels, average="micro") # average 指定为micro
print(precision)
precision = f1_score(pred, target, labels=labels, average="macro") # average 指定为macro
print(precision)
precision = f1_score(pred, target, labels=labels, average="weighted") # average 指定为weighted
print(precision)
===>0.375
===>0.30000000000000004
===>0.30000000000000004这里主要的是 average 的不同，计算结果会有不同
- macro：是先对每一个类统计指标值，然后在对所有类求算术平均值。
- micro：是对数据集中的每一个实例不分类别进行统计建立全局混淆矩阵，然后计算相应指标
- weightes：计算每个标签的指标，并找到它们的平均加权支持度
- samples：计算每个实例的指标，并找到它们的平均值
比较常用的是 macro 与 micro 这两种取值
1）macro 是先对每一个类统计指标值，然后利用下面的公式对所有类求算术平均值，
2）micro 是对数据集中的每一个实例不分类别进行统计建立全局混淆矩阵，然后计算相应指标
根据不同的值，计算不同的 F1
本文章为转载内容，我们尊重原作者对文章享有的著作权。如有内容错误或侵权问题，欢迎原作者联系我们进行内容更正或删除文章。
