如何计算多标签分类的 F1-Score？

我尝试计算f1_score但当我使用 sklearn 时，我在某些情况下收到一些警告f1_score method.

我有一个多标签 5 类预测问题。

import numpy as np
from sklearn.metrics import f1_score

y_true = np.zeros((1,5))
y_true[0,0] = 1 # => label = [[1, 0, 0, 0, 0]]

y_pred = np.zeros((1,5))
y_pred[:] = 1 # => prediction = [[1, 1, 1, 1, 1]]

result_1 = f1_score(y_true=y_true, y_pred=y_pred, labels=None, average="weighted")

print(result_1) # prints 1.0

result_2 = f1_score(y_true=y_ture, y_pred=y_pred, labels=None, average="weighted")

print(result_2) # prints: (1.0, 1.0, 1.0, None) for precision/recall/fbeta_score/support

当我使用average="samples"代替"weighted"我得到（0.1，1.0，0.1818...，无）。是个"weighted"选项对于多标签问题没有用或者如何使用f1_score方法正确吗？

我在使用时也收到警告average="weighted":

“UndefinedMetricWarning：召回率和 F 分数定义不明确，在没有真实样本的标签中设置为 0.0。”

如果您稍微添加数据，它就会起作用：

y_true = np.array([[1,0,0,0], [1,1,0,0], [1,1,1,1]])
y_pred = np.array([[1,0,0,0], [1,1,1,0], [1,1,1,1]])

recall_score(y_true=y_true, y_pred=y_pred, average='weighted')
>>> 1.0
precision_score(y_true=y_true, y_pred=y_pred, average='weighted')
>>> 0.9285714285714286

f1_score(y_true=y_true, y_pred=y_pred, average='weighted')
>>> 0.95238095238095244

数据表明我们没有错过任何真阳性，也没有预测到任何假阴性（recall_score等于 1)。然而，我们在第二次观察中预测了一个误报，导致precision_score等于~0.93。

As both precision_score and recall_score不为零weighted范围，f1_score，因此，存在。由于示例中缺乏信息，我认为您的案例无效。