F1-Score有代码吗

当然有代码可以计算F1-Score。F1-Score是评估二分类或多分类模型性能的一种指标，它结合了精确率（Precision）和召回率（Recall）。在Python中，你可以使用`sklearn`库中的`f1_score`函数来计算。这是一个简单的例子：

from sklearn.metrics import f1_score

# 假设我们有真实标签y_true和预测标签y_pred
y_true = [0, 1, 1, 0, 1]  # 真实标签列表
y_pred = [0, 1, 1, 0, 1]  # 预测标签列表

# 对于二分类问题，f1_score默认计算的是binary模式
f1_micro = f1_score(y_true, y_pred, average='micro')
f1_macro = f1_score(y_true, y_pred, average='macro')

# 如果你想按类别分别计算，可以用'weighted'或'samples'
f1_weighted = f1_score(y_true, y_pred, average='weighted')
f1_samples = f1_score(y_true, y_pred, average=None)

print("Micro F1 Score:", f1_micro)
print("Macro F1 Score:", f1_macro)
print("Weighted F1 Score:", f1_weighted)
print("Per-class F1 Scores:", f1_samples)

在这个例子中，`average`参数决定了如何汇总各类别的得分：
- `'micro'`: 计算的是所有类别的加权平均，常用于不平衡数据集。
- `'macro'`: 对每类独立计算，然后取平均，强调各个类别之间的平等性。
- `'weighted'`: 类别总数加权的平均，更关注多数类的表现。
- `None` 或 'samples': 返回每个类别的单独F1值，适合类别数目较少的情况。

记得在实际应用中，你需要先替换`y_true`和`y_pred`为你实际的数据。