maxframe.learn.metrics.fbeta_score#

maxframe.learn.metrics.fbeta_score(y_true, y_pred, *, beta, labels=None, pos_label=1, average='binary', sample_weight=None, zero_division='warn', execute=False, session=None, run_kwargs=None)[源代码]#

计算 F-beta 分数

F-beta 分数是精确率和召回率的加权调和平均数，其最佳值为 1，最差值为 0。

beta 参数决定了组合分数中召回率的权重。beta < 1 会更重视精确率，而 beta > 1 更偏向召回率（beta -> 0 只考虑精确率，beta -> +inf 只考虑召回率）。

更多内容请参见 用户指南。

参数:

  • y_true (1d array-like, or label indicator array / sparse matrix) -- 真实（正确）的目标值。

  • y_pred (1d array-like, or label indicator array / sparse matrix) -- 由分类器返回的估计目标。

  • beta (float) -- 决定组合分数中召回率的权重。

  • labels (list, optional) -- 当 average != 'binary' 时要包含的标签集合，以及当 average is None 时它们的顺序。数据中存在的标签可以被排除，例如在计算多类平均值时忽略多数负类；而数据中不存在的标签在宏平均中会导致 0 成分。对于多标签目标，标签是列索引。默认情况下，y_true 和 y_pred 中的所有标签将按排序顺序使用。

  • pos_label (str or int, 1 by default) -- 如果 average='binary' 且数据是二分类的，则报告该类别。如果数据是多类或多标签的，则此参数将被忽略；设置 labels=[pos_label] 和 average != 'binary' 将只报告该标签的分数。

  • average (string, [None, 'binary' (default), 'micro', 'macro', 'samples', 'weighted']) -- 此参数对多类/多标签目标是必需的。如果为 None，则返回每个类别的分数。否则，它决定在数据上执行的平均类型： 'binary': 只报告由 pos_label 指定类别的结果。 仅适用于目标（y_{true,pred}）为二分类的情况。 'micro': 通过计算总的真正例、假负例和假正例来全局计算指标。 'macro': 为每个标签计算指标，并求其未加权平均值。 不考虑标签不平衡。 'weighted': 为每个标签计算指标，并按支持度（每个标签的真实实例数）加权平均。 这会修改 'macro' 以考虑标签不平衡；可能导致 F-score 不在精确率和召回率之间。 'samples': 为每个实例计算指标，并求其平均值（仅在多标签分类中与 accuracy_score() 不同的情况下有意义）。

  • sample_weight (array-like of shape (n_samples,), default=None) -- 样本权重。

  • zero_division ("warn", 0 or 1, default="warn") -- 设置当出现零除错误时返回的值，即当所有预测和标签都为负时。如果设置为 "warn"，则其作用为 0，但也会发出警告。

返回:

fbeta_score -- 二分类中正类的 F-beta 分数，或多类任务中每个类别的 F-beta 分数的加权平均。

返回类型:

float (if average is not None) or array of float, shape = [n_unique_labels]

参见

precision_recall_fscore_support, multilabel_confusion_matrix

引用

示例

>>> from maxframe.learn.metrics import fbeta_score
>>> y_true = [0, 1, 2, 0, 1, 2]
>>> y_pred = [0, 2, 1, 0, 0, 1]
>>> fbeta_score(y_true, y_pred, average='macro', beta=0.5)
0.23...
>>> fbeta_score(y_true, y_pred, average='micro', beta=0.5)
0.33...
>>> fbeta_score(y_true, y_pred, average='weighted', beta=0.5)
0.23...
>>> fbeta_score(y_true, y_pred, average=None, beta=0.5)
array([0.71..., 0.        , 0.        ])

备注

当 true positive + false positive == 0 或 true positive + false negative == 0 时，f-score 返回 0 并引发 UndefinedMetricWarning。此行为可以通过 zero_division 进行修改。