scikit-learn - 如何计算F1分数进行多标签分类？

我尝试计算f1_score，但是当我使用sklearn f1_score方法时，在某些情况下会收到一些警告。

我有一个预测的多标签5类问题。

import numpy as np
from sklearn.metrics import f1_score

y_true = np.zeros((1,5))
y_true[0,0] = 1 # => label = [[1, 0, 0, 0, 0]]

y_pred = np.zeros((1,5))
y_pred[:] = 1 # => prediction = [[1, 1, 1, 1, 1]]

result_1 = f1_score(y_true=y_true, y_pred=y_pred, labels=None, average="weighted")

print(result_1) # prints 1.0

result_2 = f1_score(y_true=y_ture, y_pred=y_pred, labels=None, average="weighted")

print(result_2) # prints: (1.0, 1.0, 1.0, None) for precision/recall/fbeta_score/support

当我使用average="samples"而不是"weighted"时，我得到了(0.1，1.0，0.1818 ...，无)。 "weighted"选项对多标签问题不是很有用吗？或者我如何正确使用f1_score方法？

使用average="weighted"时，我也会收到警告:

最佳答案

如果您稍微添加数据，它会起作用:

y_true = np.array([[1,0,0,0], [1,1,0,0], [1,1,1,1]])
y_pred = np.array([[1,0,0,0], [1,1,1,0], [1,1,1,1]])

recall_score(y_true=y_true, y_pred=y_pred, average='weighted')
>>> 1.0
precision_score(y_true=y_true, y_pred=y_pred, average='weighted')
>>> 0.9285714285714286

f1_score(y_true=y_true, y_pred=y_pred, average='weighted')
>>> 0.95238095238095244

数据表明我们没有错过任何真实的肯定，也没有预测任何错误的否定(recall_score等于1)。但是，我们在第二次观察中预测到一个假阳性，导致precision_score等于〜0.93。

由于precision_score参数的recall_score和weighted都不为零，因此存在f1_score。我相信您的案例由于该示例中的信息不足而无效。

关于scikit-learn - 如何计算F1分数进行多标签分类？，我们在Stack Overflow上找到一个类似的问题：https://stackoverflow.com/questions/46732881/