sklearns.metrics.classification_report 和 sklearns.metrics.f1_score 中每个 F1 分数值与二进制混淆矩阵的差异

Question

我有（真）布尔值和预测布尔值，如：

y_true = np.array([True, True, False, False, False, True, False, True, True,
       False, True, False, False, False, False, False, True, False,
        True, True, True, True, False, False, False, True, False,
        True, False, False, False, False, True, True, False, False,
       False, True, True, True, True, False, False, False, False,
        True, False, False, False, False, False, False, False, False,
       False, True, True, False, True, False, True, True, True,
       False, False, True, False, True, False, False, True, False,
       False, False, False, False, False, False, False, True, False,
        True, True, True, True, False, False, True, False, True,
        True, False, True, False, True, False, False, True, True,
       False, False, True, True, False, False, False, False, False,
       False, True, True, False])

y_pred = np.array([False, False, False, False, False, True, False, False, True,
       False, True, False, False, False, False, False, False, False,
        True, True, True, True, False, False, False, False, False,
       False, False, False, False, False, True, False, False, False,
       False, True, False, False, False, False, False, False, False,
        True, False, False, False, False, False, False, False, False,
       False, True, False, False, False, False, False, False, False,
       False, False, True, False, False, False, False, True, False,
       False, False, False, False, False, False, False, True, False,
       False, True, False, False, False, False, True, False, True,
        True, False, False, False, True, False, False, True, True,
       False, False, True, True, False, False, False, False, False,
       False, True, False, False])

我正在使用以下导入

from sklearn.metrics import f1_score, classification_report, confusion_matrix

混淆矩阵如下所示：

print(confusion_matrix(y_true, y_pred))

[[67  0]
 [21 24]]

我在做：

print("f1_score: %f" % f1_score(y_true, y_pred))
print(classification_report(y_true, y_pred))

我得到：

f1_score: 0.695652
             precision    recall  f1-score   support

      False       0.76      1.00      0.86        67
       True       1.00      0.53      0.70        45

avg / total       0.86      0.81      0.80       112

我看到 f1-score 的 4 个值（0.695652、0.86、0.70、0.80）。我想知道每个值之间有什么区别以及它们是如何计算的。

Answer 1

我认为0.695652和0.70是一回事。在 scikit-learn f1_score documentation 中解释说在默认模式下：F1 分数在二进制分类中给出 positive class。

也可以通过F1分数的公式轻松达到0.86的分数。 F1 分数的公式是

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

编辑：

混淆矩阵是这样的：

                    Prediction
                    FALSE | TRUE
True Value  FALSE    67      0
            TRUE     21      24

67 = True Negative, 0 = False Negative
21 = False Positive, 24  = True Positive

In finding the avg / total, formula uses this values like you said in the comment.

sklearns.metrics.classification_report 和 sklearns.metrics.f1_score 中每个 F1 分数值与二进制混淆矩阵的差异

Differences between each F1-score values in sklearns.metrics.classification_report and sklearns.metrics.f1_score with a binary confusion matrix

python

confusion-matrix

scikit-learn