首页f1-score 的计算公式

f1-score 的计算公式

时间: 2025-03-20 12:07:54 AIGC 浏览: 149

### F1-Score 的计算公式 F1-Score 是一种综合评价分类器性能的指标，特别适用于处理类别不平衡的数据集。其定义为精确率（Precision）和召回率（Recall）的调和平均数。具体来说，F1-Score 的计算公式如下： \[ F1 = 2 \cdot \frac{Precision \cdot Recall}{Precision + Recall} \] 其中， - **Precision** 表示预测为正类的样本中有多少比例实际上是正类[^1]。 \[ Precision = \frac{\text{True Positives (TP)}}{\text{True Positives (TP)} + \text{False Positives (FP)}} \] - **Recall** 表示实际为正类的样本中有多少比例被成功预测为正类[^2]。 \[ Recall = \frac{\text{True Positives (TP)}}{\text{True Positives (TP)} + \text{False Negatives (FN)}} \] 因此，F1-Score 将 Precision 和 Recall 结合起来，提供了一个平衡两者表现的单一数值度量标准。该值范围在 0 到 1 之间，越接近于 1 越好，表示模型在这两方面的表现更优[^3]。以下是 Python 中实现 F1-Score 计算的一个简单代码示例： ```python def calculate_f1_score(tp, fp, fn): precision = tp / (tp + fp) if (tp + fp) != 0 else 0 recall = tp / (tp + fn) if (tp + fn) != 0 else 0 f1_score = 2 * ((precision * recall) / (precision + recall)) if (precision + recall) != 0 else 0 return f1_score # 示例数据 true_positives = 90 false_positives = 30 false_negatives = 20 f1_result = calculate_f1_score(true_positives, false_positives, false_negatives) print(f"F1 Score: {f1_result}") ```

阅读全文