Sklearn F1 Score

scikit-learn (sklearn) предоставляет множество метрик для оценки производительности моделей машинного обучения. Одной из таких метрик является f1 score.

F1 score - это среднее гармоническое двух других метрик: точности (precision) и полноты (recall). Точность показывает, какая доля положительных предсказаний была верна, а полнота показывает, какая доля положительных примеров была обнаружена.

F1 score определен как:

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

Чтобы использовать F1 score в scikit-learn, необходимо import-ировать функцию f1_score из модуля metrics:

from sklearn.metrics import f1_score

Затем, после того как у вас есть истинные значения и предсказанные значения, вы можете вычислить F1 score следующим образом:

y_true = [0, 1, 1, 0, 1]

y_pred = [0, 0, 1, 0, 1]

f1 = f1_score(y_true, y_pred)

print(f1)

В этом примере у нас есть два массива: y_true - истинные значения и y_pred - предсказанные значения. Мы вызываем функцию f1_score, передаем в нее эти массивы и сохраняем результирующее значение в переменную f1. Затем мы выводим значение f1 на экран. В данном случае получим значение F1 score равное 0.8.

F1 score является долей правильных положительных предсказаний с учетом и ложных положительных и ложных отрицательных предсказаний. Он широко используется для задач с несбалансированными классами, когда полнота и точность одинаково важны.