带有二进制混淆矩阵的sklearns.metrics.classification_report和sklearns.metrics.f1_score中每个F1得分值之间的差异

Question

我有（true）布尔值和预测的布尔值，例如：

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：

print(confusion_matrix(y_true, y_pred))

[[67  0]
 [21 24]]

我正在做：

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

我看到的4个值f1-score （ 0.695652 ， 0.86 ， 0.70 ， 0.80 ）。 我想知道每个值之间的区别是什么以及如何计算它们。

Answer 1

我认为0.695652与0.70是同一回事。 在scikit-learn中， f1_score 文档解释了在默认模式下：F1分数在二​​进制分类中为positive class 。

同样，使用F1得分公式，您可以轻松达到0.86的得分。 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

在查找平均/总计时，公式将使用您在注释中所说的值。