一、什么是F1-score

F1值(F1-score)是分类问题的一个指标，它是精确率和召回率的调和平均数，最大为1，最小为0.

$f_1$=2·$\frac{precision·recall}{precision+recall}$

二、计算过程

1.首先定义以下概念

• TP(True Positive):预测答案正确
• FP（False Positive）：错将其他类预测为本类
• FN（False Negative）：本类标签预测为其他类标

2. 通过第一步的统计值计算每个类别下的precision和recall

精准度 / 查准率(precision)：指被分类器判定正例中的正样本的比重

$precision_{k}$=$\frac{TP}{TP+FP}$

召回率 / 查全率 (recall)：指的是被预测为正例的占总的正例的比重

$recall_{k}=\frac{TP}{TP+FN}$

另外，介绍一下常用的准确率(accuracy)的概念，代表分类器对整个样本判断正确的比重。

$accuracy=\frac{TP+TN}{TP+TN+FP+FN}$

3. 通过第二步计算结果计算每个类别下的f1-score，计算方式如下：

$f1_{k}=\frac{2\cdot precision_{k}\cdot recall_{k} }{precision_{k}+recall_{k}}$

4. 通过对第三步求得的各个类别下的F1-score求均值，得到最后的评测结果，计算方式如下：

$score=(\frac{1}{n}\sum f1_{k})^{2}$

以上内容均转载于机器学习中的F1-score