MLmetrics中F1_Score函数处理非二值y_pred的逻辑问询

当你直接将概率值传入F1_Score的y_pred参数时，函数并不会将其视为概率自动选择阈值，而是默认把y_pred中的值当作分类标签处理：只有当预测值严格等于你指定的positive类别（这里是"1"，对应数值1）时，才会被判定为正类预测；所有其他数值（包括0.8、0.654这类概率值）都会被当作负类预测。

用你的示例数据验证计算过程：

• 真实正类（y=1）共5个，仅第一个预测值x[1]=1被判定为正类预测，因此真阳性(TP)=1，剩余4个真实正类被误判为负类，假阴性(FN)=4。
• 真实负类（y=0）共5个，所有预测值都不等于1，因此真阴性(TN)=5，假阳性(FP)=0。

基于这些指标计算F1得分：

1. 精确率(Precision) = TP/(TP+FP) = 1/(1+0) = 1
2. 召回率(Recall) = TP/(TP+FN) = 1/(1+4) = 0.2
3. F1得分 = 2*(Precision*Recall)/(Precision+Recall) = 2*(1*0.2)/(1+0.2) = 0.3333333

这个结果完全匹配你得到的getF1。

而getF2是你手动用0.5阈值将概率转为二值标签后的结果：x_preds中有6个1（前5个真实正类+第8个真实负类），4个0。此时TP=5，FP=1，Recall=1，Precision=5/6，最终F1=2*(5/6*1)/(5/6+1)=10/11≈0.9090909，和官方文档逻辑一致。

内容的提问来源于stack exchange，提问作者Arianne Ford