简单代码
from sklearn.metrics import f1_score # 导入f1_score
f1_score(y_test,y_predict, average='micro') # 调用并输出计算的值
f1_score(y_test,y_predict, average='macro')
解释
其中
- y_test: 真实的数据集切分后的测试y的值
- y_predict: 预测值
avarage: 数值计算的两种不同方式
f1_score
计算公式
f1_score = (2 * Recall * Presision) / (Recall + Presision)
意义
假设Recall 与 Presision 的权重一样大， 求得的两个值的加权平均书
sklearn中的使用
导入： from sklearn.metrics import f1_score
其中：average 的取值：
- micro： 通过计算正确，错误和否定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。这没有考虑标签不平衡。
详细内容参考： https://blog.csdn.net/weixin_46072771/article/details/105757363