这个问题其实并不难，但是最近遇到了一个比较新奇的F1算法，因此记录下来。
首先我们定义几个变量：
- TP：预测为1，实际为1.
- TN：预测为0，实际为0.
- FP：预测为1，实际为0.
- FN：预测为0，实际为1.
准确率（accuracy）： (TP+TN)/(TP+TN+FP+FN) [预测对的/总样本]
精确率（precision）： TP/(TP+FP) [预测为1且正确所占的样本数/所有预测为1的样本]
召回率（recall）： TP/(TP+FN) [预测为1且正确的个数/所有真实为1的标签]
注：中文名字叫法多样，但是英文比较统一。
而F1则为 2*(Precision*Recall)/(Precision+Recall) 。
那么我说的“新奇”在哪呢？也可能是我见识少吧，遇到了一个f1算法为：
total = ((y_pred + y_true).sum()
right = ((y_pred * y_true).sum()
f1 = 2.0 * right / total刚开始没有反应过来，过了一会也没反应过来。
后来经过推导发现：
我们将 (Precision*Recall)/(Precision+Recall) 这个公式代入TP这些，最终会化简为：
TP/（2TP+FP+FN）而right的算法，就是TP（只有真实为1并且预测为1的样本，y_pred * y_true 才为1），而total就比较奇怪了，我们假设一系列样本为：
1 1 0 0 预测值
0 1 1 0 真实值我们可以看到，按照(y_pred + y_true) 来计算为4，恰好是（2TP+FP+FN）的值，因此对于某个0 1标签的F1计算就变简单了。
0 条评论