Python scikits cross_val_分数中所有等级的f1分数
我正在使用scikit learn(软件包Python scikits cross_val_分数中所有等级的f1分数,python,scikit-learn,cross-validation,Python,Scikit Learn,Cross Validation,我正在使用scikit learn(软件包sklearn.cross\u validation)中的cross\u val\u分数来评估我的分类器。 如果我对评分参数使用f1,函数将返回一个类的f1评分。为了得到平均分,我可以使用f1_加权,但我不知道如何得到其他班级的f1分数。(精确性和召回率类似) sklearn.metrics中的函数有一个执行此操作的labels参数,但我在文档中找不到类似的参数 是否有一种方法可以一次获得所有课程的f1分数,或者至少指定应考虑使用cross\u val\
sklearn.cross\u validation
)中的cross\u val\u分数来评估我的分类器。
如果我对评分
参数使用f1
,函数将返回一个类的f1评分。为了得到平均分,我可以使用f1_加权
,但我不知道如何得到其他班级的f1分数。(精确性和召回率类似)
sklearn.metrics
中的函数有一个执行此操作的labels
参数,但我在文档中找不到类似的参数
是否有一种方法可以一次获得所有课程的f1分数,或者至少指定应考虑使用cross\u val\u分数的课程?要计算f1分数,我们可以使用sklearn.metrics.f1\u分数
示例代码
from sklearn import svm
from sklearn import metrics
from sklearn.cross_validation import train_test_split
from sklearn.datasets import load_iris
from sklearn.metrics import f1_score, accuracy_score
# prepare dataset
iris = load_iris()
X = iris.data[:, :2]
y = iris.target
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2)
# svm classification
clf = svm.SVC(kernel='rbf', gamma=0.7, C = 1.0).fit(X_train, y_train)
y_predicted = clf.predict(X_test)
# performance
print "Classification report for %s" % clf
print metrics.classification_report(y_test, y_predicted)
print("F1 micro: %1.4f\n" % f1_score(y_test, y_predicted, average='micro'))
print("F1 macro: %1.4f\n" % f1_score(y_test, y_predicted, average='macro'))
print("F1 weighted: %1.4f\n" % f1_score(y_test, y_predicted, average='weighted'))
print("Accuracy: %1.4f" % (accuracy_score(y_test, y_predicted)))
样本输出
Classification report for SVC(C=1.0, cache_size=200, class_weight=None, coef0=0.0,
decision_function_shape=None, degree=3, gamma=0.7, kernel='rbf',
max_iter=-1, probability=False, random_state=None, shrinking=True,
tol=0.001, verbose=False)
precision recall f1-score support
0 1.00 0.90 0.95 10
1 0.50 0.88 0.64 8
2 0.86 0.50 0.63 12
avg / total 0.81 0.73 0.74 30
F1 micro: 0.7333
F1 macro: 0.7384
F1 weighted: 0.7381
Accuracy: 0.7333
使用make\u scorer
函数创建记分器时,可以传递所需的任何附加参数,如下所示:
cross_val_score(
svm.SVC(kernel='rbf', gamma=0.7, C = 1.0),
X, y,
scoring=make_scorer(f1_score, average='weighted', labels=[2]),
cv=10)
但是cross\u val\u score
只允许您返回一个分数。如果没有额外的技巧,你不可能同时获得所有课程的分数。如果您需要,请参考另一个堆栈溢出问题,该问题正好涵盖了这一点:对于每个类的单独分数,请使用以下内容:
f1=f1_分数(y_测试,y_预测,平均值=无)
打印(“f1列表无意图:”,f1)谢谢,但这不是我想要的<代码>交叉验证分数
进行交叉验证并计算分数。使用您的方法,我仍然需要实现交叉验证和分数聚合,而且我仍然无法获得每个类的f1分数。我有一个可行的实现,但我希望使用尽可能多的标准函数来简化代码。