0

我有（真正的）布尔值和预测的布尔值，例如：

y_true = np.array([True, True, False, False, False, True, False, True, True,
       False, True, False, False, False, False, False, True, False,
        True, True, True, True, False, False, False, True, False,
        True, False, False, False, False, True, True, False, False,
       False, True, True, True, True, False, False, False, False,
        True, False, False, False, False, False, False, False, False,
       False, True, True, False, True, False, True, True, True,
       False, False, True, False, True, False, False, True, False,
       False, False, False, False, False, False, False, True, False,
        True, True, True, True, False, False, True, False, True,
        True, False, True, False, True, False, False, True, True,
       False, False, True, True, False, False, False, False, False,
       False, True, True, False])

y_pred = np.array([False, False, False, False, False, True, False, False, True,
       False, True, False, False, False, False, False, False, False,
        True, True, True, True, False, False, False, False, False,
       False, False, False, False, False, True, False, False, False,
       False, True, False, False, False, False, False, False, False,
        True, False, False, False, False, False, False, False, False,
       False, True, False, False, False, False, False, False, False,
       False, False, True, False, False, False, False, True, False,
       False, False, False, False, False, False, False, True, False,
       False, True, False, False, False, False, True, False, True,
        True, False, False, False, True, False, False, True, True,
       False, False, True, True, False, False, False, False, False,
       False, True, False, False])

我正在使用以下导入

from sklearn.metrics import f1_score, classification_report, confusion_matrix

混淆矩阵如下：

print(confusion_matrix(y_true, y_pred))

[[67  0]
 [21 24]]

我正在做：

print("f1_score: %f" % f1_score(y_true, y_pred))
print(classification_report(y_true, y_pred))

我得到：

f1_score: 0.695652
             precision    recall  f1-score   support

      False       0.76      1.00      0.86        67
       True       1.00      0.53      0.70        45

avg / total       0.86      0.81      0.80       112

f1-score我看到( 0.695652, 0.86, 0.70, 0.80)的 4 个值。我想知道每个值之间有什么区别以及它们是如何计算的。

4

1 回答 1

2

我认为这0.695652与0.70. 在 scikit-learnf1_score 文档中解释说，在默认模式下：F1 分数给出了 positive class二进制分类。

0.86您也可以通过 F1 分数的公式轻松达到分数。F1分数的公式为

F1 = 2 * (precision * recall) / (precision + recall)

编辑 ：

混淆矩阵是这样的：

                    Prediction
                    FALSE | TRUE
True Value  FALSE    67      0
            TRUE     21      24

67 = True Negative, 0 = False Negative
21 = False Positive, 24  = True Positive

在查找平均/总计时，公式会使用您在评论中所说的这些值。

于 2015-05-29T00:35:42.707 回答