python编写F1度量性能度量函数

F1度量是一种常用的性能度量方法，它结合了精确率和召回率的优点，可以用于评估分类器的性能。Python中可以通过以下代码实现F1度量的计算：

def f1_measure(y_true, y_pred):
    tp = 0
    fp = 0
    fn = 0

    for i in range(len(y_true)):
        if y_true[i] == y_pred[i] == 1:
            tp += 1
        elif y_pred[i] == 1 and y_true[i] != y_pred[i]:
            fp += 1
        elif y_pred[i] == 0 and y_true[i] != y_pred[i]:
            fn += 1

    precision = tp / (tp + fp)
    recall = tp / (tp + fn)
    f1 = 2 * (precision * recall) / (precision + recall)

    return f1

该函数的输入为真实标签y_true和预测标签y_pred，输出为F1度量值。在函数中，通过遍历y_true和y_pred，统计出真阳性（tp）、假阳性（fp）和假阴性（fn）的个数，然后根据公式计算出精确率（precision）、召回率（recall）和F1度量值。最后返回F1度量值即可。

相关问题

python编写性能度量函数F1度量

F1度量是用于评估二分类模型性能的一种指标，它结合了模型的精确度和召回率，可以用以下公式表示：

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

其中，precision是模型预测为正例的样本中实际为正例的样本数占比，recall是实际为正例的样本中被模型预测为正例的样本数占比。

下面是使用Python编写F1度量函数的示例代码：

def f1_score(y_true, y_pred):
    TP = 0
    FP = 0
    FN = 0
    for i in range(len(y_true)):
        if y_true[i] == y_pred[i] == 1:
            TP += 1
        elif y_true[i] == 0 and y_pred[i] == 1:
            FP += 1
        elif y_true[i] == 1 and y_pred[i] == 0:
            FN += 1
    precision = TP / (TP + FP)
    recall = TP / (TP + FN)
    f1 = 2 * (precision * recall) / (precision + recall)
    return f1

该函数接受两个参数，y_true表示真实标签，y_pred表示模型预测标签。函数首先计算出TP、FP和FN的数量，然后计算出precision、recall和F1值，最后返回F1值作为函数的输出。

用python编写分类性能度量的函数 my_metrics(y,y_predict), 要求（不使用 sklearn）返 回准确度、精确率、召回率和 F1 score。

当然可以。在Python中，我们可以手动计算这些常见的分类性能指标，不需要依赖sklearn库。这里是一个简单的示例函数`my_metrics`，它接受真实标签`y`和预测标签`y_predict`作为输入：

def my_metrics(y, y_predict):
    # 确保预测和实际标签都是整数数组
    assert isinstance(y, np.ndarray) and isinstance(y_predict, np.ndarray)
    assert y.shape == y_predict.shape

    # 计算准确度
    accuracy = np.sum(y == y_predict) / len(y)

    # 计算混淆矩阵
    tp = np.sum((y == 1) & (y_predict == 1))
    tn = np.sum((y == 0) & (y_predict == 0))
    fp = np.sum((y == 0) & (y_predict == 1))
    fn = np.sum((y == 1) & (y_predict == 0))

    # 精确率（Precision）
    precision = tp / (tp + fp) if tp + fp != 0 else 0

    # 召回率（Recall）
    recall = tp / (tp + fn) if tp + fn != 0 else 0

    # F1 Score
    f1_score = 2 * precision * recall / (precision + recall) if precision + recall != 0 else 0

    return accuracy, precision, recall, f1_score

# 示例用法
y = [0, 1, 1, 0, 1]
y_predict = [0, 1, 1, 0, 1]
acc, prec, rec, f1 = my_metrics(y, y_predict)
print(f"Accuracy: {acc}, Precision: {prec}, Recall: {rec}, F1 Score: {f1}")