sklearn.metrics.f1_score?
sklearn.metrics.f1_score(y_true, y_pred, *, labels=None, pos_label=1, average='binary', sample_weight=None, zero_division='warn')
計算F1分數，也稱為平衡F分數或F度量值
F1分數可以解釋為精度和召回率的加權平均值，其中F1分數在1時達到最佳值，在0時達到最差值。精度和召回率對F1分數的相對貢獻相等。 F1分數的公式為：
F1 = 2 * （精度*召回率）/（精度+召回率）
在多類別和多標簽的情況下，為每一類的F1分數的均值，類權重取決于average參數。
在用戶指南中閱讀更多內容。
| 參數 | 說明 |
|---|---|
| y_true | 1d array-like, or label indicator array / sparse matrix 真實目標值。 |
| y_pred | 1d array-like, or label indicator array / sparse matrix 分類器返回的估計目標。 |
| labels | list, optional 當average!='binary'時要包括的一組標簽，如果average是None，則是標簽的順序。可以排除數據中存在的標簽，例如，以忽略多數否定類的方式計算多類平均值，而數據中不存在的標簽將導致宏平均值中的0成分。對于多標簽目標，標簽是列索引。 默認情況下，y_true和y_pred中的所有標簽均按排序順序使用。 在版本0.17中進行了更改：針對多類問題改進了參數標簽。 |
| pos_label | str or int, 1 by default average ='binary'且數據為二進制的要進行報告的類。如果數據是多類或多標簽的，則將被忽略；設置labels=[pos_label]及average!='binary'將僅報告該標簽的得分。 |
| average | string,[None| ‘binary’(default)| ‘micro’| ‘macro’| ‘samples’| ‘weighted’] 對于多類/多標簽目標，此參數是必需的。如果為None，則返回每個類的得分。否則，將確定數據執行的平均類型： - 'binary':僅報告由pos_label指定的類的結果。僅當目標（y_ {true，pred}）為二進制時才適用。 - 'micro':通過計算真正例、假負例和假正例的總數來全局計算度量。 - 'macro':計算每個標簽的度量，并找到其未加權平均值。 這沒有考慮標簽不平衡。 - 'weighted':計算每個標簽的度量，并找到它們受支持的平均權重（每個標簽的真實實例數）。這會更改‘macro’以解決標簽不平衡的問題；這可能導致F-score不在精確度和召回率之間。 - 'samples':計算每個實例的度量，并找到它們的平均值（僅對不同于 accuracy_score的多標簽分類有意義）。 |
| sample_weight | array-like of shape (n_samples,), default=None 樣本權重。 |
| zero_division | “warn”, 0 or 1, default=”warn” 設置除數為零（即所有預測和標簽均為負）時的返回值。如果設置為“warn”，則該值為0，但也會發出警告。 |
| 返回值 | 說明 |
|---|---|
| f1_score | float or array of float, shape = [n_unique_labels] 二進制分類中的正例類的F1分數，或者對于多類別任務，每個類別的F1分數的加權平均值。 |
另見：
注
當真正例+假正例== 0時，精度是不確定的；當真正例+假負例== 0時，召回率是不確定的。在這種情況下，默認情況下，度量將設置為0，f分數也將設置為0，并且將引發UndefinedMetricWarning。可以使用zero_division修改此行為。
參考
1 Wikipedia entry for the F1-score
示例
>>> from sklearn.metrics import f1_score
>>> y_true = [0, 1, 2, 0, 1, 2]
>>> y_pred = [0, 2, 1, 0, 0, 1]
>>> f1_score(y_true, y_pred, average='macro')
0.26...
>>> f1_score(y_true, y_pred, average='micro')
0.33...
>>> f1_score(y_true, y_pred, average='weighted')
0.26...
>>> f1_score(y_true, y_pred, average=None)
array([0.8, 0. , 0. ])
>>> y_true = [0, 0, 0, 0, 0, 0]
>>> y_pred = [0, 0, 0, 0, 0, 0]
>>> f1_score(y_true, y_pred, zero_division=1)
1.0...
