sklearn.metrics.f1_score¶
sklearn.metrics.f1_score(y_true, y_pred, *, labels=None, pos_label=1, average='binary', sample_weight=None, zero_division='warn')
计算F1分数，也称为平衡F分数或F度量值
F1分数可以解释为精度和召回率的加权平均值，其中F1分数在1时达到最佳值，在0时达到最差值。精度和召回率对F1分数的相对贡献相等。 F1分数的公式为：
F1 = 2 * （精度*召回率）/（精度+召回率）
在多类别和多标签的情况下，为每一类的F1分数的均值，类权重取决于average参数。
在用户指南中阅读更多内容。
| 参数 | 说明 |
|---|---|
| y_true | 1d array-like, or label indicator array / sparse matrix 真实目标值。 |
| y_pred | 1d array-like, or label indicator array / sparse matrix 分类器返回的估计目标。 |
| labels | list, optional 当average!='binary'时要包括的一组标签，如果average是None，则是标签的顺序。可以排除数据中存在的标签，例如，以忽略多数否定类的方式计算多类平均值，而数据中不存在的标签将导致宏平均值中的0成分。对于多标签目标，标签是列索引。 默认情况下，y_true和y_pred中的所有标签均按排序顺序使用。 在版本0.17中进行了更改：针对多类问题改进了参数标签。 |
| pos_label | str or int, 1 by default average ='binary'且数据为二进制的要进行报告的类。如果数据是多类或多标签的，则将被忽略；设置labels=[pos_label]及average!='binary'将仅报告该标签的得分。 |
| average | string,[None| ‘binary’(default)| ‘micro’| ‘macro’| ‘samples’| ‘weighted’] 对于多类/多标签目标，此参数是必需的。如果为None，则返回每个类的得分。否则，将确定数据执行的平均类型： - 'binary':仅报告由pos_label指定的类的结果。仅当目标（y_ {true，pred}）为二进制时才适用。 - 'micro':通过计算真正例、假负例和假正例的总数来全局计算度量。 - 'macro':计算每个标签的度量，并找到其未加权平均值。 这没有考虑标签不平衡。 - 'weighted':计算每个标签的度量，并找到它们受支持的平均权重（每个标签的真实实例数）。这会更改‘macro’以解决标签不平衡的问题；这可能导致F-score不在精确度和召回率之间。 - 'samples':计算每个实例的度量，并找到它们的平均值（仅对不同于 accuracy_score的多标签分类有意义）。 |
| sample_weight | array-like of shape (n_samples,), default=None 样本权重。 |
| zero_division | “warn”, 0 or 1, default=”warn” 设置除数为零（即所有预测和标签均为负）时的返回值。如果设置为“warn”，则该值为0，但也会发出警告。 |
| 返回值 | 说明 |
|---|---|
| f1_score | float or array of float, shape = [n_unique_labels] 二进制分类中的正例类的F1分数，或者对于多类别任务，每个类别的F1分数的加权平均值。 |
另见：
注
当真正例+假正例== 0时，精度是不确定的；当真正例+假负例== 0时，召回率是不确定的。在这种情况下，默认情况下，度量将设置为0，f分数也将设置为0，并且将引发UndefinedMetricWarning。可以使用zero_division修改此行为。
参考
1 Wikipedia entry for the F1-score
示例
>>> from sklearn.metrics import f1_score
>>> y_true = [0, 1, 2, 0, 1, 2]
>>> y_pred = [0, 2, 1, 0, 0, 1]
>>> f1_score(y_true, y_pred, average='macro')
0.26...
>>> f1_score(y_true, y_pred, average='micro')
0.33...
>>> f1_score(y_true, y_pred, average='weighted')
0.26...
>>> f1_score(y_true, y_pred, average=None)
array([0.8, 0. , 0. ])
>>> y_true = [0, 0, 0, 0, 0, 0]
>>> y_pred = [0, 0, 0, 0, 0, 0]
>>> f1_score(y_true, y_pred, zero_division=1)
1.0...
