sklearn中f1_score參數解析

1. f1_score

sklearn.metrics.f1_score(y_true, y_pred, labels=None, pos_label=1, average=‘binary’, sample_weight=None, zero_division=‘warn’)
y_true和y_pred顧名思義，一個是真實的標籤，一個是預測的標籤，注意這裏的標籤不需要轉成one-hot形式
f1_score在講解時適用於二分類，結果是類別1（如患癌症）的f1_score。在多分類中，可以假設某個類別爲1，其他類別爲0，因此可以計算每個類別的f1_score

2. average

• string, [None, ‘binary’ (default), ‘micro’, ‘macro’, ‘samples’, ‘weighted’]
  • None：返回每個類別的f1_score，是一個列表
  • binary：僅適用於二分類，當pos_label爲1時，返回類別1的f1_score
  • micro: 通過先計算總體的TP，FN和FP的數量，再計算F1，關於micro和macro可詳見博客（說明很詳細）：https://www.cnblogs.com/techengin/p/8962024.html
  • macro：分別計算每個類別的F1，然後做平均（各類別F1的權重相同），也即宏f1。當小類很重要時會出問題，因爲該macro-averging方法是對性能的平均。另一方面，該方法假設所有分類都是一樣重要的，因此macro-averaging方法會對小類的性能影響很大。
  • samples：詳見https://zhuanlan.zhihu.com/p/59862986
  • weighted：前面提到的macro算法是取算術平均，weighted算法就是在macro算法的改良版，不再是取算術平均、乘以固定weight（也就是1/3）了，而是乘以該類在總樣本數中的佔比。計算一下每個類的佔比：
    https://www.cnblogs.com/techengin/p/8962024.html博客部分內容如下：
    
    
    
    https://zhuanlan.zhihu.com/p/59862986博客部分詳見：