machine-learning - f1_score 中的 pos_label 到底意味着什么？

Question

我正在 sklearn 中尝试 k_fold 交叉验证，并对 f1_score 中的 pos_label 参数感到困惑。据我所知，如果类别不是二进制的，则 pos_label 参数与如何处理数据有关。但我对它的意义并没有很好的概念性理解——有人对它在概念层面上的含义有很好的解释吗？

我已阅读文档，但它们并没有真正帮助。

Answer 1

f1 分数是 harmonic mean of precision and recall 。因此，您需要计算 precision and recall计算 f1 分数。这两个指标都是根据“真阳性”(分配了阳性标签的阳性实例)、“假阳性”(分配了阳性标签的阴性实例)等来计算的。

pos_label 参数可让您指定为了进行此计算而应将哪个类视为“正”。

更具体地说，假设您正在尝试构建一个分类器，该分类器可以在大量无趣事件的背景中查找一些罕见事件。一般来说，您关心的只是如何识别这些罕见的结果；背景标签本质上并不有趣。在这种情况下，您可以将 pos_label 设置为您感兴趣的类。如果您关心所有类的结果，那么f1_score可能不是合适的指标。