內(nèi)容

參考博文：

F1分?jǐn)?shù)以及micro、macro區(qū)別
對(duì)于上面說(shuō)的矩陣是不是挺懵的，它的真名叫混下矩陣，看下面

混淆矩陣
所有正確的預(yù)測(cè)結(jié)果都在對(duì)角線上，所以從混淆矩陣中可以很方便直觀的看出哪里有錯(cuò)誤，因?yàn)樗麄兂尸F(xiàn)在對(duì)角線外面。
它允許我們做出更多的分析，而不僅僅是局限在正確率。準(zhǔn)確率對(duì)于分類器的性能分析來(lái)說(shuō)，并不是一個(gè)很好地衡量指標(biāo)，因?yàn)槿绻麛?shù)據(jù)集不平衡（每一類的數(shù)據(jù)樣本數(shù)量相差太大），很可能會(huì)出現(xiàn)誤導(dǎo)性的結(jié)果。例如，如果在一個(gè)數(shù)據(jù)集中有95只貓，但是只有5條狗，那么某些分類器很可能偏向于將所有的樣本預(yù)測(cè)成貓。整體準(zhǔn)確率為95%，但是實(shí)際上該分類器對(duì)貓的識(shí)別率是100%，而對(duì)狗的識(shí)別率是0%。

怎么求F1分?jǐn)?shù)呢？ 代碼實(shí)現(xiàn)？
在Sklearn庫(kù)中有現(xiàn)成的代碼：
輸入： 必須是1-array的預(yù)測(cè)和GT
輸出： 得到相應(yīng)的結(jié)果
sklearn.metrics.f1_score 使用方法
sklearn.metrics.f1_score中micro、macro、samples理解

適用什么場(chǎng)景？

也就是后者會(huì)注重所有分類效果都得好！ 平均效果！
而micro則是會(huì)帶有權(quán)重的思想

代碼

我的實(shí)現(xiàn)：

def evaluation_metric(pred, label):'''pred: Prediction results with whatever sizelabel: Label with whatever sizereturn: [Evaluation Metric]'''# average=None, get the P, R, and F1 value of a single classpred = numpy.asarray(pred)label = numpy.asarray(label)Precision = precision_score(y_true=label, y_pred=pred, average="macro")Recall = recall_score(y_true=label, y_pred=pred, average="macro")F1_score = f1_score(y_true=label, y_pred=pred, average="macro")F1_score_micro = f1_score(y_true=label, y_pred=pred, average="micro")return Precision, F1_score, Recall, F1_score_micro

其中average參數(shù)有下面的幾個(gè)選項(xiàng)

y_true：1d數(shù)組，或標(biāo)簽指示符數(shù)組/稀疏矩陣基本事實(shí)（正確）目標(biāo)值。y_pred：1d數(shù)組，或標(biāo)簽指示符數(shù)組/稀疏矩陣分類器返回的估計(jì)目標(biāo)。labels：list，optional包括when的標(biāo)簽集，以及if的順序。可以排除數(shù)據(jù)中存在的標(biāo)簽，例如，以忽略多數(shù)否定類別的方式計(jì)算多類平均值，而數(shù)據(jù)中不存在的標(biāo)簽將導(dǎo)致宏平均值中的0成分。對(duì)于多標(biāo)簽?zāi)繕?biāo)，標(biāo)簽是列索引。默認(rèn)情況下，和 中的所有標(biāo)簽均按排序順序使用。average != 'binary'average is Noney_truey_predpos_label：str或int，默認(rèn)值為1要報(bào)告是否average='binary'以及數(shù)據(jù)是否為二進(jìn)制的類。如果數(shù)據(jù)是多類或多標(biāo)簽的，則將被忽略；設(shè)置，labels=[pos_label]并且只會(huì)報(bào)告該標(biāo)簽的得分。average != 'binary'average：string, [None, ‘binary’ (default), ‘micro’, ‘macro’, ‘samples’, ‘weighted’]對(duì)于多類/多標(biāo)簽?zāi)繕?biāo)，此參數(shù)是必需的。如果為None，則返回每個(gè)班級(jí)的分?jǐn)?shù)。否則，這將確定對(duì)數(shù)據(jù)執(zhí)行的平均類型：'binary'：僅報(bào)告由指定的類的結(jié)果pos_label。僅在目標(biāo)（y_{true,pred}）為二進(jìn)制時(shí)適用。'micro'：通過(guò)計(jì)算正確，錯(cuò)誤和否定的總數(shù)來(lái)全局計(jì)算指標(biāo)。'macro'：計(jì)算每個(gè)標(biāo)簽的指標(biāo)，并找到其未加權(quán)平均值。這沒(méi)有考慮數(shù)據(jù)數(shù)量的不平衡。而是平等地對(duì)待每一類'weighted'：計(jì)算每個(gè)標(biāo)簽的指標(biāo)，并找到其平均權(quán)重（受支持）（每個(gè)標(biāo)簽的真實(shí)實(shí)例數(shù)）。這改變了“宏觀”以解決標(biāo)簽的不平衡。這可能導(dǎo)致F得分不在精確度和召回率之間。'samples'：計(jì)算每個(gè)實(shí)例的指標(biāo)，并找到其平均值（僅對(duì)不同于的多標(biāo)簽分類有意義 accuracy_score）。sample_weight：array-like of shape (n_samples,), default=None樣品重量。zero_division：“warn”, 0 or 1, default=”warn”設(shè)置除法為零（即所有預(yù)測(cè)和標(biāo)簽均為負(fù)）時(shí)返回的值。如果設(shè)置為“ warn”，則該值為0，但也會(huì)發(fā)出警告。

返回值：

f1_score：float or array of float, shape = [n_unique_labels]二進(jìn)制分類中的陽(yáng)性類別的F1分?jǐn)?shù)，或者對(duì)于多類別任務(wù)，每個(gè)類別的F1分?jǐn)?shù)的加權(quán)平均值。

例子：

Examples-------->>> from sklearn.metrics import precision_score>>> y_true = [0, 1, 2, 0, 1, 2]>>> y_pred = [0, 2, 1, 0, 0, 1]>>> precision_score(y_true, y_pred, average='macro')0.22...>>> precision_score(y_true, y_pred, average='micro')0.33...>>> precision_score(y_true, y_pred, average='weighted')0.22...>>> precision_score(y_true, y_pred, average=None)array([0.66..., 0. , 0. ])>>> y_pred = [0, 0, 0, 0, 0, 0]>>> precision_score(y_true, y_pred, average=None)array([0.33..., 0. , 0. ])>>> precision_score(y_true, y_pred, average=None, zero_division=1)array([0.33..., 1. , 1. ])"""

其中micro是求的全部的準(zhǔn)確率！ 沒(méi)有考慮數(shù)據(jù)的平衡性！

average = “micro” = average=NULL

precision_score
recall_score
f1_score

總結(jié)

以上是生活随笔為你收集整理的记录F1分数和召回率的全部?jī)?nèi)容，希望文章能夠幫你解決所遇到的問(wèn)題。

如果覺(jué)得生活随笔網(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。