用滑雪板计算F1分数

Question

我想弄清楚为什么F1的分数是sklearn的分数。据我所知，其计算方法是：

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

我的代码：

from sklearn.metrics import f1_score, precision_score, recall_score
...
fmeasure1 = f1_score(true_output, predicted_output, average="macro")
fmeasure2 = f1_score(true_output, predicted_output, average="micro")

precision = precision_score(true_output, predicted_output, average="macro")
recall = recall_score(true_output, predicted_output, average="macro")

print 2*(precision*recall)/(precision + recall), fmeasure1, fmeasure2

我为我的数据得到的值是：

0.785744255639 0.769527615775 0.984532095901

我不明白为什么这三种价值观是不同的。我试着阅读了文档这里，但是我还是很迷茫。

我的数据集是mutli类，本质上是高度不平衡的。这里的哪个值是“正确的”值，并推广说，在平均参数(即无，微观，宏观，权重)中，我应该使用哪些参数？

谢谢，任何见解都是非常有价值的。

Answer 1

查看返回值：

Returns:    
f1_score : float or array of float, shape = [n_unique_labels]
F1 score of the positive class in binary classification or weighted average of the F1 scores of each class for the multiclass task.

每个值都是该特定类的F1评分，因此可以用不同的分数预测每个类。

关于什么是最好的分数。

best value at 1 and worst score at 0.[ \[From documentation\]][1]

另外，如果您正在处理高度不平衡的数据集，您应该考虑查看抽样方法，或者在允许的情况下从现有数据中进行简单的子样本。

如果你想要一个平均的预测average='weighted'

sklearn.metrics.f1_score(y_true, y_pred, labels=None, pos_label=1, average='weighted')