python 计算F1score

在Python中计算F1分数通常用于评估二分类模型的性能，特别是在不平衡的数据集上，F1分数能够综合考虑精确率（Precision）和召回率（Recall）。F1分数是精确率和召回率的调和平均值，公式如下：

\[ F1 = 2 \times \frac{\text{Precision} \times \text{Recall}}{\text{Precision} + \text{Recall}} \]

其中，精确率（Precision）表示预测为正类的样本中有多少是真正的正类，而召回率（Recall）则表示所有实际正类中，有多少被正确识别出来。

在Python中，我们可以使用sklearn库中的`f1_score`函数来计算F1分数。以下是一个简单的例子：

from sklearn.metrics import f1_score
from sklearn.preprocessing import LabelBinarizer

# 假设y_true是实际标签列表，y_pred是预测结果列表
y_true = [0, 1, 1, 0, 1]
y_pred = [0, 1, 0, 0, 1]

# 对类别进行编码，如果数据是非二元的，可以使用LabelBinarizer
lb = LabelBinarizer()
y_true_encoded = lb.fit_transform(y_true)
y_pred_encoded = lb.transform(y_pred)

# 计算F1分数
f1 = f1_score(y_true_encoded, y_pred_encoded, average='binary')  # 'binary'用于二分类任务

print(f"F1 Score: {f1}")