sklearn.metrics.fbeta_score?
sklearn.metrics.fbeta_score(y_true, y_pred, *, beta, labels=None, pos_label=1, average='binary', sample_weight=None, zero_division='warn')
計算F-beta分數
F-beta分數是精度和召回率的加權調和平均值，達到1時為最佳值，0時為最差值。
Beta參數確定組合分數中的召回權重。beta <1賦予精度更高的權重，而beta> 1則有利于召回（beta-> 0僅考慮精度，beta-> + inf僅召回）。
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。 |
| beta | float 確定合并分數中的召回權重。 |
| 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'且數據為二進制的報告類。如果數據是多類或多標簽的，則將被忽略；設置labels=[pos_label]和average！='binary'將僅報告該標簽的分數。 |
| 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，則返回每個班級的分數。否則，將根據數據的平均表現確定類型： - '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指標。 - 'macro':計算每個標簽的指標，并找到其未加權平均值。沒有考慮標簽不平衡。 - 'weighted':計算每個標簽的指標，并找到它們受支撐度的平均權重（每個標簽的真正例數）。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':計算每個實例的指標，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” 設置除數為零時（即所有預測和標簽均為負）時返回的值。如果設置為“warn”，則該值為0，但也會發出警告。 |
| 返回值 | 說明 |
|---|---|
| fbeta_score | float (if average is not None) or array of float, shape = [n_unique_labels] 二進制分類中的正例的F-beta分數，或者對于多類別任務，每個類別的F-beta分數的加權平均值。 |
另見：
precision_recall_fscore_support,multilabel_confusion_matrix
注
當真正例+假正例== 0或真正例+假負例== 0時，f分數返回0并引發UndefinedMetricWarning。可以使用zero_division修改此行為。
參考
1 R. Baeza-Yates and B. Ribeiro-Neto (2011). Modern Information Retrieval. Addison Wesley, pp. 327-328.
2 Wikipedia entry for the F1-score
示例
>>> from sklearn.metrics import fbeta_score
>>> y_true = [0, 1, 2, 0, 1, 2]
>>> y_pred = [0, 2, 1, 0, 0, 1]
>>> fbeta_score(y_true, y_pred, average='macro', beta=0.5)
0.23...
>>> fbeta_score(y_true, y_pred, average='micro', beta=0.5)
0.33...
>>> fbeta_score(y_true, y_pred, average='weighted', beta=0.5)
0.23...
>>> fbeta_score(y_true, y_pred, average=None, beta=0.5)
array([0.71..., 0. , 0. ])