Python ialah bahasa pengaturcaraan yang digunakan secara meluas Ia adalah bahasa peringkat tinggi dan bahasa yang mudah dipelajari dan mudah digunakan. Python menyediakan banyak alat dan teknik praktikal untuk saintis data dan jurutera pembelajaran mesin, antaranya F1-skor merupakan teknik yang sangat berguna.
Skor F1 ialah penunjuk yang menimbang ingatan semula dan ketepatan. Dalam tugasan pembelajaran mesin, kita selalunya perlu menilai prestasi model klasifikasi. Skor F1 digunakan untuk mengukur kualiti pengelas.
Secara amnya, untuk penilaian prestasi model klasifikasi, kami akan menumpukan pada tiga petunjuk: ketepatan, ingat semula dan skor F1. Kadar ketepatan merujuk kepada perkadaran bilangan sampel yang dikelaskan dengan betul oleh pengelas kepada jumlah bilangan sampel. Kadar ingat semula merujuk kepada perkadaran bilangan sampel yang ditanda sebagai kelas positif yang pengelas boleh mengesan dengan betul kepada jumlah bilangan sampel yang ditandakan sebagai kelas positif. Skor F1 ialah purata harmonik ingatan dan ketepatan.
Dalam Python, kita boleh menggunakan modul metrik pustaka sklearn untuk mengira skor F1. Modul ini menyediakan beberapa fungsi yang berkaitan dengan penilaian model. Antaranya, fungsi f1_score() ialah fungsi untuk mengira skor F1, yang perlu memasukkan dua tatasusunan: label sebenar dan label ramalan.
Berikut ialah kod sampel untuk mengira skor F1 menggunakan fungsi f1_score():
1 2 3 4 5 6 7 |
|
Dalam contoh ini, kita mempunyai dua tatasusunan y_true dan y_pred, yang mewakili label dan ramalan sebenar masing-masing Label. Kemudian, kami menggunakan fungsi f1_score() untuk mengira skor F1 dan akhirnya mengeluarkan hasilnya.
Selain fungsi f1_score(), sklearn.metrics juga menyediakan banyak fungsi lain. Sebagai contoh, fungsi classification_report() boleh menjana laporan prestasi pengelas. Fungsi ini memerlukan tiga parameter: label sebenar, label ramalan dan kategori label.
Berikut ialah kod sampel menggunakan fungsi classification_report():
1 2 3 4 5 6 7 |
|
Dalam contoh ini, kami menggunakan fungsi classification_report() untuk menjana laporan prestasi pengelas. Kami perlu menyediakan tiga parameter: label sebenar, label ramalan dan kategori label. Akhirnya, keluarkan hasilnya.
Selain itu, terdapat teknik lain yang boleh digunakan untuk meningkatkan prestasi skor F1, seperti pemilihan ciri, melaraskan parameter model, dsb. Melalui teknik ini, kita boleh meningkatkan keupayaan generalisasi model, dengan itu meningkatkan prestasi skor F1.
Ringkasnya, skor F1 ialah teknik yang sangat berguna yang melaluinya kita boleh mengukur prestasi pengelas dan membandingkannya. Dengan bantuan perpustakaan sklearn dalam Python, kami boleh mengira skor F1 dengan cepat dan mudah serta menggunakan teknik lain untuk mengoptimumkan lagi prestasi model.
Atas ialah kandungan terperinci Helah skor F1 dalam Python. Untuk maklumat lanjut, sila ikut artikel berkaitan lain di laman web China PHP!