怎么用python计算准确率，召回率。f1值

计算准确率、召回率、F1值需要先有真实值和预测值。假设我们有以下数据：

y_true = [1, 0, 1, 1, 0, 1, 0, 0, 1, 1]  # 真实值
y_pred = [1, 0, 0, 1, 0, 1, 0, 1, 1, 0]  # 预测值

其中，`y_true` 为真实值，`y_pred` 为预测值。下面是如何计算准确率、召回率和F1值的代码：

from sklearn.metrics import accuracy_score, recall_score, f1_score

accuracy = accuracy_score(y_true, y_pred)  # 准确率
recall = recall_score(y_true, y_pred)  # 召回率
f1 = f1_score(y_true, y_pred)  # F1值

print("准确率：", accuracy)
print("召回率：", recall)
print("F1值：", f1)

输出结果为：

准确率： 0.6
召回率： 0.6666666666666666
F1值： 0.625

其中，准确率为0.6表示预测的结果中有60%是正确的，召回率为0.67表示真实值中有67%被正确地预测出来，F1值为0.625表示准确率和召回率的加权调和平均数。

相关问题

python准确率精确召回f1

在机器学习中，准确率（Accuracy）、精确率（Precision）、召回率（Recall）和 F1 值（F1-score）是常用的评价指标。其中，准确率指分类器正确分类的样本数占总样本数的比例；精确率指分类器预测为正例的样本中，真正为正例的样本数占预测为正例的样本数的比例；召回率指真正为正例的样本中，被分类器预测为正例的样本数占真正为正例的样本数的比例；F1 值是精确率和召回率的调和平均数。

在 Python 中，可以使用 scikit-learn 库中的 classification_report 函数来计算准确率、精确率、召回率和 F1 值。该函数需要输入真实标签和预测标签两个参数，示例如下：

from sklearn.metrics import classification_report

y_true = [0, 1, 2, 0, 1, 2]
y_pred = [0, 2, 1, 0, 0, 1]

target_names = ['class 0', 'class 1', 'class 2']
print(classification_report(y_true, y_pred, target_names=target_names))

输出结果如下：

              precision    recall  f1-score   support

     class 0       0.67      1.00      0.80         2
     class 1       0.00      0.00      0.00         2
     class 2       1.00      0.50      0.67         2

    accuracy                           0.50         6
   macro avg       0.56      0.50      0.49         6
weighted avg       0.56      0.50      0.49         6

其中，precision、recall 和 f1-score 分别表示精确率、召回率和 F1 值，support 表示每个类别的样本数，accuracy 表示准确率。

计算准确率，召回率，F1分数的代码

以下是一个示例代码，演示如何计算准确率，召回率和F1分数：

# 实际标签
y_true = [0, 1, 1, 0, 1, 0, 1, 0, 1, 1]
# 预测标签
y_pred = [0, 1, 0, 1, 1, 1, 1, 0, 0, 1]

# 计算TP、FP、TN、FN四个值
TP = sum([1 for i in range(len(y_true)) if y_true[i]==1 and y_pred[i]==1])
FP = sum([1 for i in range(len(y_true)) if y_true[i]==0 and y_pred[i]==1])
TN = sum([1 for i in range(len(y_true)) if y_true[i]==0 and y_pred[i]==0])
FN = sum([1 for i in range(len(y_true)) if y_true[i]==1 and y_pred[i]==0])

# 计算准确率、召回率、F1分数
precision = TP / (TP + FP)
recall = TP / (TP + FN)
F1_score = 2 * precision * recall / (precision + recall)

print("Precision: {:.2f}".format(precision))
print("Recall: {:.2f}".format(recall))
print("F1 score: {:.2f}".format(F1_score))

输出结果为：

Precision: 0.67
Recall: 0.71
F1 score: 0.69

说明：

- 准确率（precision）：指模型预测为正例的样本中，真正为正例的比例，也就是TP / (TP + FP)。
- 召回率（recall）：指真正为正例的样本中，被模型正确预测为正例的比例，也就是TP / (TP + FN)。
- F1分数：综合考虑准确率和召回率的指标，也就是2 * precision * recall / (precision + recall)。其值越高，说明模型的性能越好。