sklearn. metrics . fbeta_score¶

نمره F-beta میانگین هارمونیک وزنی دقت و فراخوان است و به ارزش بهینه خود در 1 و بدترین مقدار آن در 0 می رسد.

پارامتر بتا وزن فراخوان را در نمره ترکیبی تعیین می کند. بتا<1 lends more weight to precision, while beta>1 favors recall ( beta > 0 considers only precision, beta >+فقط به یاد بیاورید).

در راهنمای کاربر بیشتر بخوانید.

پارامترها: y_true 1d مانند آرایه یا آرایه نشانگر برچسب / ماتریس پراکنده

ارزشهای هدف (صحیح) مقادیر هدف.

y_pred 1d مانند آرایه یا آرایه نشانگر برچسب / ماتریس پراکنده

اهداف تخمین زده شده توسط یک طبقه بندی کننده.

شناور بتا

وزن فراخوان را در نمره ترکیبی تعیین می کند.

برچسب ها مانند آرایه ، پیش فرض = هیچ

مجموعه ای از برچسب ها شامل میانگین! = "دودویی" ، و سفارش آنها در صورت متوسط نیست. برچسب های موجود در داده ها را می توان حذف کرد ، به عنوان مثال برای محاسبه میانگین چند طبقه که از یک کلاس منفی اکثریت نادیده گرفته می شود ، در حالی که برچسب های موجود در داده ها منجر به 0 مؤلفه در میانگین کلان می شوند. برای اهداف چند خطی ، برچسب ها شاخص های ستون هستند. به طور پیش فرض ، تمام برچسب های y_true و y_pred به ترتیب مرتب شده استفاده می شوند.

در نسخه 0. 17 تغییر یافته است: برچسب های پارامتر برای مشکل چند طبقه بهبود یافته است.

pos_label str یا int ، پیش فرض = 1

کلاس برای گزارش اگر میانگین = "باینری" باشد و داده ها باینری هستند. اگر داده ها Multiclass یا Multilabel باشند ، این نادیده گرفته می شود. تنظیم برچسب ها = [pos_label] و میانگین! = 'binary' فقط نمرات را برای آن برچسب گزارش می دهد.

این پارامتر برای اهداف multiclass/multilabel مورد نیاز است. در صورت عدم وجود ، نمرات برای هر کلاس بازگردانده می شود. در غیر این صورت ، این نوع میانگین انجام شده بر روی داده ها را تعیین می کند:

فقط نتایج را برای کلاس مشخص شده توسط pos_label گزارش دهید. این فقط در صورتی قابل استفاده است که اهداف (y_) باینری باشند.

با شمارش کل مثبت ، منفی کاذب و مثبت کاذب ، معیارها را در سطح جهان محاسبه کنید.

معیارهای مربوط به هر برچسب را محاسبه کنید و میانگین آنها را پیدا کنید. این عدم تعادل برچسب را در نظر نمی گیرد.

معیارها را برای هر برچسب محاسبه کنید و میانگین وزنه برداری آنها را با پشتیبانی (تعداد نمونه های واقعی برای هر برچسب) پیدا کنید. این "کلان" را تغییر می دهد تا عدم تعادل برچسب را به خود اختصاص دهد. این می تواند منجر به نمره F شود که بین دقت و فراخوان نیست.

معیارها را برای هر نمونه محاسبه کنید ، و میانگین آنها را پیدا کنید (فقط برای طبقه بندی چند خطی که در آن این تفاوت با دقت_کور است) معنی دار است.

Sample_weight Array مانند شکل (n_samples) ، پیش فرض = هیچ

Zero_Division "هشدار" ، 0 یا 1 ، پیش فرض = "هشدار"

مقدار را برای بازگشت در هنگام تقسیم صفر تنظیم می کند ، یعنی وقتی همه پیش بینی ها و برچسب ها منفی هستند. اگر به "هشدار" تنظیم شود ، این به عنوان 0 عمل می کند ، اما هشدارها نیز مطرح می شوند.

بازگشت: fbeta_score float (اگر میانگین نیست) یا آرایه ای از شناور ، شکل = [n_unique_labels]

نمره F-beta از کلاس مثبت در طبقه بندی باینری یا میانگین وزنی نمره F-beta هر کلاس برای کار چند طبقه.

دقت ، یادآوری ، نمره F و پشتیبانی را محاسبه کنید.

یک ماتریس سردرگمی را برای هر کلاس یا نمونه محاسبه کنید.

هنگامی که مثبت مثبت + مثبت کاذب == 0 یا مثبت واقعی + منفی کاذب == 0 ، F-Score 0 را برمی گرداند و نامحدودی را بالا می برد. این رفتار را می توان با Zero_Division اصلاح کرد.

R. Baeza-Yates and B. Ribeiro-Neto (2011). بازیابی اطلاعات مدرن. آدیسون وسلی ، صص 327-328.

>>> از جانب Sklea. Metrics وارد كردن fbeta_score >>> y_true = [0, 1, 2, 0, 1, 2] >>> y_pred = [0, 2, 1, 0, 0, 1] >>> fbeta_score(y_true, y_pred, میانگین="کلان", بتا=0.5) 0. 23. >>> fbeta_score(y_true, y_pred, میانگین='کوچک', بتا=0.5) 0. 33. >>> fbeta_score(y_true, y_pred, میانگین="وزنی", بتا=0.5) 0. 23. >>> fbeta_score(y_true, y_pred, میانگین=هیچ یک, بتا=0.5) آرایه ([0. 71. 0. ، 0.])