F1-score解析

报错：valueError: Target is multiclass but average=‘binary’. Please choose another average setting, one of
原因：使用from sklearn.metrics import f1_score多类别计算F1-score时报错，改函数的参数即可，如：f1_score(true_labels, predicted_labels, average='micro')；

计算多类别的 F1-score，使用 Scikit-learn 库中的 f1_score 函数。以下是一个示例代码，演示如何计算多类别的 F1-score

from sklearn.metrics import f1_score
import numpy as np

# 示例真实标签和预测标签
true_labels = np.array([0, 1, 2, 0, 1, 2, 2, 0, 1, 1])
predicted_labels = np.array([0, 1, 1, 0, 1, 2, 1, 0, 2, 1])

# 计算多类别的F1-score
f1_macro = f1_score(true_labels, predicted_labels, average='macro')
f1_micro = f1_score(true_labels, predicted_labels, average='micro')
f1_weighted = f1_score(true_labels, predicted_labels, average='weighted')

print("F1-score (macro):", f1_macro)
print("F1-score (micro):", f1_micro)
print("F1-score (weighted):", f1_weighted)
在上面的示例中，true_labels 是真实的类别标签，predicted_labels 是模型的预测标签。
我们使用 f1_score 函数计算了三种不同的 F1-score，分别是宏平均 (macro)、微平均 (micro) 和加权平均 (weighted)。

宏平均 (macro)：计算每个类别的 F1-score，然后对所有类别取平均值。
微平均 (micro)：通过计算总体的真阳性、假阳性和假阴性，然后计算出总体的 precision、recall 和 F1-score。
加权平均 (weighted)：对每个类别的 F1-score 进行加权平均，权重是每个类别的样本数。