一、相关概念
对于数据测试结果有下面4种情况：
真阳性（TP）: 预测为正， 实际也为正
假阳性（FP）: 预测为正， 实际为负
假阴性（FN）: 预测为负，实际为正
真阴性（TN）: 预测为负， 实际也为负
准确率(P) ： TP/ (TP+FP)
召回率(R) ： TP(TP + FN)
F1-score : 2(PR)/(P+R
f1_score原型：
sklearn.metrics.f1_score(y_true,
y_pred,
labels=None,
pos_label=1,
average=’binary’,
sample_weight=None)参数详解
1. y_true: 数据真实标签 Ground truth (correct) target values.
2. y_pred : 分类器分类标签 Estimated targets as returned by a classifier.
3. average : [None, ‘binary’ (default), ‘micro’, ‘macro’, ‘samples’, ‘weighted’]
多类/多标签目标需要此参数。默认为‘binary’，即二分类
4. labels : 类别标签，可不填
二、实例分析
一、数据
实际数据：1, 2, 3, 4, 5, 6, 7, 8, 9
真实类别：A, A, A, A, B, B, B, C, C
预测类别：A, A, B, C, B, B, C, B, C
则各个类别的真假阳阴性：
A B C 总计
TP 2 2 1 5
FP 0 2 2 4
FN 2 1 1 4
二、各个类别的准确率、召回率、F1-score
A类别的准确率 ： PA = 2/(2+0）= 1
A类别的召回率 ： RA = 2/(2+2）= 0.5
A类别的F1-score ： FA = 2*(1*0.5)/(1+0.5) = 0.667
B类别的准确率 ： PB = 2/(2+2）= 0.5
B类别的召回率 ： RB = 2/(2+1）= 0.667
B类别的F1-score ： FB = 2*(0.5*0.667)/(0.5+0.667) = 0.572
C类别的准确率 ： PC = 1/(1+2）= 0.333
C类别的召回率 ： RC = 1/(1+1）= 0.5
C类别的F1-score ： FC = 2*(0.333*0.5）/（0.333+0.5） = 0.39976
三、F1-score
所有数据的F1-score:
有两种方式
第一种方式是计算数据中所有的TP,FP,FN,然后计算F1-score,即micro；
第二种方式是分别计算各个类别的TP，FP，FN，然后计算各个类被的F1-score,然后对F-score求平均，即macro.
micro:
P = 5/(5+4) = 0.556
R = 5/(5+4) = 0.556
F1-score = 2*(0.556*0.556)/(0.556+0.556) = 0.556
macro :
F1-score = (0.667+0.572+0.39976)/3 = 0.5462
四、使用sklearn计算f1-score
一、f1_score
为了使用sklearn的接口，分别使用1表示A类别，2表示B类别，3表示C类别，则
真实类别y_true ： 1, 1, 1, 1, 2, 2, 2, 3, 3
预测类别 y_pred ： 1, 1, 2, 3, 2, 2, 3, 2, 3
from sklearn.metrics import f1_score
y_true = [1, 1, 1, 1, 2, 2, 2, 3, 3]
y_pred = [1, 1, 2, 3, 2, 2, 3, 2, 3]
f1_micro = f1_score(y_true,y_pred,average='micro')
f1_macro = f1_score(y_true,y_pred,average='macro')
print('f1_micro: {0}'.format(f1_micro))
print('f1_macro: {0}'.format(f1_macro))输出结果为：
f1_micro: 0.5555555555555556
f1_macro: 0.546031746031746可见，与手动计算的结果一样
二、precision_recall_fscore_support
也可以使用sklearn计算各个类别的召回率准确率等
# 计算各个类别的准确率，召回率，与F1-score
from sklearn.metrics import precision_recall_fscore_support
y_true = [1, 1, 1, 1, 2, 2, 2, 3, 3]
y_pred = [1, 1, 2, 3, 2, 2, 3, 2, 3]
p_class, r_class, f_class, support_micro = precision_recall_fscore_support(y_true,y_pred,labels=[1,2,3])
print(p_class)
print(r_class)
print(f_class)
print(support_micro)输出结果：
[1. 0.5 0.33333333]
[0.5 0.66666667 0.5 ]
[0.66666667 0.57142857 0.4 ]
[4 3 2]与手动计算的一样。
注：
precision_recall_fscore_support返回每个类别的准确率，召回率，f1-score,各个指标中，每个类别的顺序与参数labels的顺序相同，比如:
p_class = [1. 0.5 0.33333333]
labels=[1,2,3]
则
类别1的准确率是1
类别2的准确率是0.5
类别3的准确率是0.3333333