混淆矩阵F1-score

F1-score是一种评估分类模型性能的指标，特别是在不平衡数据集上，它综合考虑了精确率(Precision)和召回率(Recall)。在多分类任务中，混淆矩阵提供了每个类别预测结果的详细情况，F1-score则是对每个类别分别计算精度和召回率的调和平均数。对于给出的F1-score数组[0.47058824, 0.42857143, 0.7, 0.44444444, 0.88888889]，它表示五个类别的F1分数，数值越高代表该类别的预测性能越好。

为了计算F1-score，首先需要定义精确率和召回率：
- 精确率( Precision ) = TP / (TP + FP)
- 召回率( Recall ) = TP / (TP + FN)

其中，TP是真正例(True Positive)，FP是假正例(False Positive)，FN是假负例(False Negative)。

F1-score是这两个值的调和平均数，公式为：
\[ F1 = 2 \times \frac{Precision \times Recall}{Precision + Recall} \]

在实践中，可以通过sklearn库的`f1_score`函数来计算，例如：

from sklearn.metrics import f1_score

# 假设我们有实际标签y_true和预测标签y_pred
y_true = [1, 2, 2, 3, 3]  # 类别标签
y_pred = [1, 2, 2, 3, 3]  # 预测的类别标签

# 对于每个类别，计算F1-score
f1_scores = f1_score(y_true, y_pred, average=None)

# 输出每个类别的F1-score
print(f1_scores)  # [0.47058824, 0.42857143, 0.7, 0.44444444, 0.88888889]