概念
为什么要计算F1：避免样本分布带来的偏差，综合考量分类效果，假如有100个样本，其中1个正样本，99个负样本，如果模型的预测只输出0，那么正确率是99%，这时候用正确率来衡量模型的好坏显然是不对的。
| 真实 1 | 真实 0 | |
| 预测 1 | True Positive(TP) | False Positive(FP) |
| 预测 0 | False Negative(FN) | True Negative(TN) |
- 查准率(precision)，预测正确的样本在所有预测为1的样本中的比例，该值反映有多少其他类被错误的归为该类。
- 召回率(recall)，预测正确的样本在所有真实为1的样本中的比例，该值反映有多少该类被预测为其他类了。
- F1(F1-Score)， 精准率和召回率的调和平均数。
Micro-F1与Macro-F1
针对多标签分类而言衡量分类效果
- Micro-F1：直接计算所有类别的Precision和Recall，然后计算F1。（类别有权重，分到样本数多的类别有更大的影响力）
- Macro-F1：计算出每一个类的Precision和Recall并分别计算F1，最后将F1平均。（各类别的F1权重相同）
代码实现
二分类
def f1(y_hat, y_true):
'''
输入张量y_hat是输出层经过sigmoid激活的张量
y_true是label{0,1}的集和
model指的是如果是多任务分类，single会返回每个分类的f1分数，multi会返回所有类的平均f1分数（Marco-F1）
如果只是单个二分类任务，则可以忽略model
'''
epsilon = 1e-7
y_hat = tf.round(y_hat)#将经过sigmoid激活的张量四舍五入变为0，1输出
# 输入的数据是矩阵，标签为单行矩阵，预测值为单列矩阵，如果不是需要转换
tp = tf.cast(tf.matmul(y_true,y_hat), 'float')
#tn = tf.sum(tf.cast((1-y_hat)<em>(1-y_true), 'float'), axis=0)
fp = tf.cast(tf.matmul(1-y_true,y_hat), 'float')
fn = tf.cast(tf.matmul(y_true,1-y_hat), 'float')
print('tp: ', tp[0][0].numpy(),'fp: ', fp[0][0].numpy(),'fn: ', fn[0][0].numpy())
p = tp/(tp+fp+epsilon)#epsilon的意义在于防止分母为0，否则当分母为0时python会报错
r = tp/(tp+fn+epsilon)
f1 = 2</em>p<em>r/(p+r+epsilon)
result = [f1[0][0].numpy(), p[0][0].numpy(), r[0][0].numpy()]
return result
多标签
import tensorflow as tf
def f1(y_hat, y_true, model='multi'):
'''
输入张量y_hat是输出层经过sigmoid激活的张量
y_true是label{0,1}的集和
model指的是如果是多任务分类，single会返回每个分类的f1分数，multi会返回所有类的平均f1分数（Marco-F1）
如果只是单个二分类任务，则可以忽略model
'''
epsilon = 1e-7
y_hat = tf.round(y_hat)#将经过sigmoid激活的张量四舍五入变为0，1输出
#tf.cast()转换张量数据类型
tp = tf.reduce_sum(tf.cast(y_hat</em>y_true, 'float'), axis=0) #取axis维数据求和
#tn = tf.sum(tf.cast((1-y_hat)<em>(1-y_true), 'float'), axis=0)
fp = tf.reduce_sum(tf.cast((1-y_hat)</em>y_true, 'float'), axis=0)
fn = tf.reduce_sum(tf.cast(y_hat<em>(1-y_true), 'float'), axis=0)
p = tp/(tp+fp+epsilon)#epsilon的意义在于防止分母为0，否则当分母为0时python会报错
r = tp/(tp+fn+epsilon)
f1 = 2</em>p*r/(p+r+epsilon)
f1 = tf.where(tf.is_nan(f1), tf.zeros_like(f1), f1)
if model == 'single':
return f1
if model == 'multi':
return tf.reduce_mean(f1)
参考
https://blog.csdn.net/zjn295771349/article/details/84961596