自己编写的f1_score和scikit-learn中的f1_score结果异同的疑问

Question

老师，我对咱们自己编写的f1_score和scikit-learn中的f1_score结果异同存在疑问。那个0.97555555555555551的结果是不是逻辑回归得分的结果啊
from sklearn.linear_model import LogisticRegression

log_reg=LogisticRegression()
log_reg.fit(x_train,y_train)
log_reg.score(x_test,y_test)
咱们编的f1_score是需要计算出精准率和召回率再算吧，我计算的结果和scikit-learn中的f1_score结果一样，是我哪里理解的不对吗

Answer 1

liuyubobobo 2018-09-13 12:22:06

log_reg.score(x_test,y_test)得到的结果不是f1_score，而是准确度值：）

你的计算结果是正确的：）

这一章的核心思想就是想说明，对于有偏斜的数据，准确度这样的结果可能会表现的非常好。但实际上准确度不一定能够很好地反应模型的预测能力，此时，如果使用recall，precision，f1 score等指标，就会看出问题了。比如这里的例子，准确度有97.5%之高，但是f1 score只有86.7%：）

有时间可以再回顾一下，把握一下课程的脉络：）加油！

• 提问者 zxytxwdy #1

  嗯嗯，好的，谢谢老师，我是跳着看的，到时候我再好好看看

• lemonlxn #2

  老师好，我在 sklearn 里面看到 LogisticRegression 里面的score 方法，返回的是 给定测试数据和标签的平均精度，而不是 R ^ 2 的值。
  
  原文如下：
  
  Returns the mean accuracy on the given test data and labels.
  
  In multi-label classification, this is the subset accuracy which is a harsh metric since you require for each sample that each label set be correctly predicted.
  
  相关链接如下：
  
  https://scikit-learn.org/stable/modules/generated/sklearn.linear_model.LogisticRegression.html#sklearn.linear_model.LogisticRegression.score

• liuyubobobo 回复 lemonlxn #3

  赞！这个回答原本有问题，因为在scikit-learm中封装的逻辑回归算法解决的是分类问题，不是回归问题。而r^2是回归问题的评价指标：）我做修正。大赞！

点开查看后面1条评论