python - machine - ¿Por qué scikitlearn dice que el puntaje de F1 está mal definido con FN mayor que 0?

scikit learn install

Question

sklearn.metrics un programa python que llama a los métodos de sklearn.metrics para calcular la precisión y la puntuación F1. Aquí está el resultado cuando no hay una muestra pronosticada:

/xxx/py2-scikit-learn/0.15.2-comp6/lib/python2.6/site-packages/sklearn/metr/
ics/metrics.py:1771: UndefinedMetricWarning: Precision is ill-defined and being set to 0.0 due to no predicted samples.
''precision'', ''predicted'', average, warn_for)
/xxx/py2-scikit-learn/0.15.2-comp6/lib/python2.6/site-packages/sklearn/metr/
ics/metrics.py:1771: UndefinedMetricWarning: F-score is ill-defined and being set to 0.0 due to no predicted samples.
''precision'', ''predicted'', average, warn_for)

Cuando no hay una muestra pronosticada, significa que TP + FP es 0, entonces

• la precisión (definida como TP / (TP + FP)) es 0/0, no definida,
• El puntaje F1 (definido como 2TP / (2TP + FP + FN)) es 0 si FN no es cero.

En mi caso, sklearn.metrics también devuelve la precisión como 0.8 y la recuerda como 0. Entonces, FN no es cero.

Pero, ¿por qué Scikilearn dice que la F1 está mal definida?

¿Cuál es la definición de F1 utilizada por Scikilearn?

Answer 1

https://github.com/scikit-learn/scikit-learn/blob/master/sklearn/metrics/classification.py

F1 = 2 * (precisión * recuperación) / (precisión + recuperación)

precision = TP / (TP + FP) como acaba de decir si el predictor no predice ninguna clase positiva en absoluto; la precisión es 0.

recall = TP / (TP + FN), en caso de que el predictor no prediga la clase positiva - TP es 0 - la recuperación es 0.

Entonces ahora estás dividiendo 0/0.

Answer 2

Precisión, Retirada, Puntuación F1 y Cálculo de precisión

- In a given image of Dogs and Cats
* Total Dogs - 12 D = 12
* Total Cats - 8 C = 8
- Computer program predicts
* Dogs - 8
5 are actually Dogs T.P = 5
3 are not F.P = 3
* Cats - 12
6 are actually Cats T.N = 6
6 are not F.N = 6
- Calculation
* Precision = T.P / (T.P + F.P) => 5 / (5 + 3)
* Recall = T.P / D => 5 / 12
* F1 = 2 * (Precision * Recall) / (Precision + Recall)
* F1 = 0.5
* Accuracy = T.P + T.N / P + N
* Accuracy = 0.55

reference Wikipedia