我有一个计算准确性的代码，但现在我想计算 F1 分数。
accuracy_1 = tf.reduce_mean(tf.cast(tf.equal(
tf.argmax(output_1, axis=-1),
tf.argmax(y_1, axis=-1)), tf.float32), name="accuracy_1")
accuracy_2 = tf.reduce_mean(tf.cast(tf.equal(
tf.argmax(output_2, axis=-1),
tf.argmax(y_2, axis=-1)), tf.float32), name="accuracy_2")
如何计算上述代码的 F1 等效项？我发现这很困难，因为我对 TensorFlow 很陌生。
在 tf 2.0+ 中：
f1 = 2*(tf.compat.v1.metrics.recall(labels, predictions) * tf.compat.v1.metrics.precision(labels, predictions)) / ( tf.compat.v1.metrics.recall(labels, predictions) + tf.compat.v1.metrics.precision(labels, predictions))
在以前的版本中，您可以使用 contrib.metrics 子模块（在 1.14 中已弃用）：
tf.contrib.metrics.f1_score(labels, predictions)
F1 分数可以定义为自定义指标。Keras 将在适用的情况下在每个批次/时期评估此指标。
import keras.backend as K
def f1_metric(y_true, y_pred):
true_positives = K.sum(K.round(K.clip(y_true * y_pred, 0, 1)))
possible_positives = K.sum(K.round(K.clip(y_true, 0, 1)))
predicted_positives = K.sum(K.round(K.clip(y_pred, 0, 1)))
precision = true_positives / (predicted_positives + K.epsilon())
recall = true_positives / (possible_positives + K.epsilon())
f1_val = 2*(precision*recall)/(precision+recall+K.epsilon())
return f1_val
model.compile(...,metrics=['accuracy', f1_metric])
要计算f1_score，首先，使用 python sklearn库的这个函数来生成混淆矩阵。之后，从混淆矩阵中，生成TP、TN、FP，FN然后用它们计算：
Recall = TP/TP+FN 和 Precision = TP/TP+FP
然后从以上两个指标，你可以很容易地计算出：
f1_score = 2 * (precision * recall) / (precision + recall)
或者
你可以在这里使用同一个库的另一个函数来f1_score直接从生成的计算y_true，y_pred如下所示：
F1 = f1_score(y_true, y_pred, average = 'binary')
最后，图书馆链接包含一个有用的解释。你应该仔细阅读它们。