一、F1 score的概念？ F1 score是分类问题的一个衡量指标，在一些多分类问题的机器学习竞赛中，多以F1 score作为最终评价的方法。 它是准确率和召回率的调和平均值，取值0-1之间。
F1 score认为召回率和精度同样重要，而F2认为召回率的重要度是精度的2倍，F0.5认为召回率的重要度是精度的一半。
必须澄清一些概念
3358www.Sina.com/:是正样本，实际上正样本TP(True Positive):是负样本，实际上负样本TN(True Negative):是正样本：判定为负样本，实际上是正样本FP(False Positive):正确率，对于所有样本，即在所有实际正负样本中，判定为正确的样本所占的比例。 accuracy=(TPTN )/(TP TN FP FN )FN(False Negative):也称为精度率(precision率) )被确定为所有正样本，即所有正样本precision=TP/(TPFP )accuracy:召回率(也称为啁啾率)对于所有实际上为正的样本，即被确定为实际上为正的所有样本所占recall=TP/(TPfn )注意：上述所有正负样本的描述都是针对二分类问题的，在多分类问题的情况下，上述正样本表示k类样本，负样本表示所有其他类样本。
二、F1 score怎么计算？ 首先分别计算各类样品的准确率和召回率； 然后计算每个类的F1 score:最后对所有类的F1 score求平均，得到最终结果。
三、python怎么实现？ 可以通过调用sklearn包来实现
precision
recall
函数介绍：真实类别，1d阵列- like，orlabelindicatorarray/sparse matrix.http://www.Sina.com /预测类别， 1d阵列- Lina orlabelindicatorarray/sparse matrix.http://www.Sina.com/string，[None，‘binary’，‘micro’，‘macrrro 使用“‘macro”计算宏平均值，而不考虑类别不平衡。sklearn.metrics.f1_score(y_true, y_pred, labels=None, pos_label=1, average='binary', sample_weight=None)
froms klearn.metricsimportf1_ scorey _ true=[ 0，0，0，1，1，2，2 ] y _ pred=[ 0，0，1，1，1，2，2 ] print (
参考：
3359 blog.csdn.net/QQ _ 14997473/article/details/82684300