sklearn中f1_score参数解析

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顾名思义，一个是真实的标签，一个是预测的标签，注意这里的标签不需要转成one-hot形式
f1_score在讲解时适用于二分类，结果是类别1（如患癌症）的f1_score。在多分类中，可以假设某个类别为1，其他类别为0，因此可以计算每个类别的f1_score

2. average

• string, [None, ‘binary’ (default), ‘micro’, ‘macro’, ‘samples’, ‘weighted’]
  • None：返回每个类别的f1_score，是一个列表
  • binary：仅适用于二分类，当pos_label为1时，返回类别1的f1_score
  • micro: 通过先计算总体的TP，FN和FP的数量，再计算F1，关于micro和macro可详见博客（说明很详细）：https://www.cnblogs.com/techengin/p/8962024.html
  • macro：分别计算每个类别的F1，然后做平均（各类别F1的权重相同），也即宏f1。当小类很重要时会出问题，因为该macro-averging方法是对性能的平均。另一方面，该方法假设所有分类都是一样重要的，因此macro-averaging方法会对小类的性能影响很大。
  • samples：详见https://zhuanlan.zhihu.com/p/59862986
  • weighted：前面提到的macro算法是取算术平均，weighted算法就是在macro算法的改良版，不再是取算术平均、乘以固定weight（也就是1/3）了，而是乘以该类在总样本数中的占比。计算一下每个类的占比：
    https://www.cnblogs.com/techengin/p/8962024.html博客部分内容如下：
    
    
    
    https://zhuanlan.zhihu.com/p/59862986博客部分详见：