sklearn.metrics.fbeta_score

sklearn.metrics.fbeta_score(y_true, y_pred, *, beta, labels=None, pos_label=1, average='binary', sample_weight=None, zero_division='warn')

[源码]

计算F-beta分数

F-beta分数是精度和召回率的加权调和平均值,达到1时为最佳值,0时为最差值。

Beta参数确定组合分数中的召回权重。beta <1赋予精度更高的权重,而beta> 1则有利于召回(beta-> 0仅考虑精度,beta-> + inf仅召回)。

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。
beta float
确定合并分数中的召回权重。
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'且数据为二进制的报告类。如果数据是多类或多标签的,则将被忽略;设置labels=[pos_label]和average!='binary'将仅报告该标签的分数。
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,则返回每个班级的分数。否则,将根据数据的平均表现确定类型:
- '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指标。
- 'macro':
计算每个标签的指标,并找到其未加权平均值。没有考虑标签不平衡。
- 'weighted':
计算每个标签的指标,并找到它们受支撑度的平均权重(每个标签的真正例数)。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':
计算每个实例的指标,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”
设置除数为零时(即所有预测和标签均为负)时返回的值。如果设置为“warn”,则该值为0,但也会发出警告。
返回值 说明
fbeta_score float (if average is not None) or array of float, shape = [n_unique_labels]
二进制分类中的正例的F-beta分数,或者对于多类别任务,每个类别的F-beta分数的加权平均值。

另见:

precision_recall_fscore_support, multilabel_confusion_matrix

当真正例+假正例== 0或真正例+假负例== 0时,f分数返回0并引发UndefinedMetricWarning。可以使用zero_division修改此行为。

参考

1 R. Baeza-Yates and B. Ribeiro-Neto (2011). Modern Information Retrieval. Addison Wesley, pp. 327-328.

2 Wikipedia entry for the F1-score

示例

>>> from sklearn.metrics import fbeta_score
>>> y_true = [012012]
>>> y_pred = [021001]
>>> fbeta_score(y_true, y_pred, average='macro', beta=0.5)
0.23...
>>> fbeta_score(y_true, y_pred, average='micro', beta=0.5)
0.33...
>>> fbeta_score(y_true, y_pred, average='weighted', beta=0.5)
0.23...
>>> fbeta_score(y_true, y_pred, average=None, beta=0.5)
array([0.71..., 0.        , 0.        ])