首页f1-score计算公式

f1-score计算公式

时间: 2025-01-08 17:50:17 AIGC 浏览: 294

### F1-score 的计算公式 F1-score 是用于评估分类器性能的重要指标之一，尤其适用于类别不平衡的数据集。该评分是精确率 (Precision) 和召回率 (Recall) 的调和平均数。具体来说，F1-score 的定义如下： \[ \text{F1} = 2 \times \frac{\text{Precision} \times \text{Recall}}{\text{Precision} + \text{Recall}} \] 其中， - **Precision**（精确率）是指预测为正类的实例中有多少是真的正类。 \[ \text{Precision} = \frac{\text{TP}}{\text{TP}+\text{FP}} \] - **Recall**（召回率）是指实际为正类的实例中有多少被成功识别出来。 \[ \text{Recall} = \frac{\text{TP}}{\text{TP}+\text{FN}} \] 这里 TP, FP, TN, FN 分别代表真阳性(True Positive)，假阳性(False Positive)，真阴性(True Negative), 假阴性(False Negative)[^1]。当 Precision 或 Recall 中任何一个为零时，F1-score 将变为零；只有两者都较高时，F1-score 才会高，这使得 F1-score 成为了一个平衡二者的好方法[^2]。对于某些特定应用场景，可以引入加权形式来调整 Precision 和 Recall 对于整体得分的影响程度: \[ \text{F}_\beta=\left(1+\beta^{2}\right)\cdot\frac{\mathrm {P} \cdot \mathrm {R}}{\left(\beta^{2}\cdot\mathrm {P}\right)+\mathrm {R}} \] 这里的 β 参数允许给定更多的重要性到其中一个方面——如果希望更重视召回率，则可以选择较大的 β 值；反之则选择较小的 β 值[^4]。 ```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 = 2 * ((precision * recall) / (precision + recall)) if (precision + recall) != 0 else 0 return round(f1, 2) # Example usage: print(calculate_f1_score(70, 15, 10)) ```

阅读全文