给出F1-score计算公式和python代码

F1-score是一个综合评价指标，用于衡量分类模型的精确度和召回率的平衡情况。它的计算公式如下：

F1-score = 2 * (precision * recall) / (precision + recall)

其中，precision（精确度）表示模型预测为正例的样本中真正为正例的比例，定义为：

precision = TP / (TP + FP)

recall（召回率）表示真正为正例的样本中被模型正确预测为正例的比例，定义为：

recall = TP / (TP + FN)

其中，TP表示真正例（True Positive）的数量，FP表示假正例（False Positive）的数量，FN表示假反例（False Negative）的数量。

以下是一个使用sklearn库计算F1-score的示例代码：

from sklearn.metrics import f1_score

# 实际标签
y_true = [0, 1, 1, 0, 1, 0, 0]
# 模型预测结果
y_pred = [0, 1, 0, 0, 1, 1, 0]

# 计算F1-score
f1 = f1_score(y_true, y_pred)

print("F1-score:", f1)

请注意，这里的示例代码使用了sklearn库中的f1_score函数来计算F1-score。如果你没有安装此库，可以通过运行`pip install scikit-learn`来安装。

相关问题

f1-score计算公式

### 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]。

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))

F1-score Python实现

F1-score是基于精度和召回率的综合指标，其计算公式为：

F1-score = 2 * (precision * recall) / (precision + recall)

其中，precision表示精度，recall表示召回率。

Python实现如下：

from sklearn.metrics import precision_recall_fscore_support

# y_true为真实标签，y_pred为预测标签
precision, recall, f1_score, support = precision_recall_fscore_support(y_true, y_pred, average='binary')

print("Precision: ", precision)
print("Recall: ", recall)
print("F1-score: ", f1_score)

其中，average参数可以选择为binary，macro，micro，weighted等，分别对应二分类、多分类、全局、加权等不同的计算方式。