如何在Python中计算平衡逻辑回归模型的精确率、召回率及单值F1分数

核心问题分析 #

你当前F1分数输出两个值，是因为默认计算了二分类任务中两类的分数。要得到单值（通常对应正类指标），只需指定目标类别参数；而精确率、召回率可直接用scikit-learn的专用函数计算，无需手动实现。

完整代码实现 #

假设你已完成模型训练，以下是指标计算与格式化输出的代码：

from sklearn.metrics import precision_score, recall_score, f1_score

# 替换为你的真实标签和预测结果变量
y_true = ... 
y_pred = ...

# 计算正类的精确率、召回率、F1分数（假设正类标签为1，可根据你的数据调整）
precision = precision_score(y_true, y_pred, pos_label=1)
recall = recall_score(y_true, y_pred, pos_label=1)
f1 = f1_score(y_true, y_pred, pos_label=1)

# 按要求格式输出
print(f"precision  {precision:.2f}")
print(f"recall     {recall:.2f}")
print(f"f1_score   {f1:.2f}")

参数说明 #

• pos_label: 指定需要计算的正类标签值（比如你的数据中正类是0或1，对应修改即可），确保只输出单类指标值。
• 若需宏观平均的单值（多分类场景），可替换pos_label=1为average='macro'，但平衡逻辑回归通常为二分类，使用pos_label更贴合需求。

现有代码调整建议 #

如果你之前使用classification_report等函数导致多值输出，直接替换为上述单个指标计算函数即可。注意保证y_true和y_pred的维度与标签取值一致。

内容的提问来源于stack exchange，提问作者kjnk