使用F2分数评估多分类器：二分类任务下指标计算的代码咨询

核心调整逻辑 #

你现有的循环流程不需要做结构性改动，只需要补充F2分数的计算环节即可。F2分数可以通过scikit-learn提供的通用F-beta指标接口计算，不需要额外手写实现逻辑，注意二分类场景下要匹配对应的参数配置。

第一步：导入对应计算函数 #

F2是β值为2的F-beta分数，需要从sklearn的metrics模块导入计算接口：

from sklearn.metrics import fbeta_score

第二步：修改原有循环代码 #

在原循环逻辑中补充模型测试集预测、F2值计算的步骤，修改后完整可运行的代码如下：

scores = []  # 原有存储基础得分的列表
f2_scores = []  # 新增：存储所有模型的F2分数
for name, clf in zip(models, classifiers):
    clf.fit(X_train, y_train)
    # 原有逻辑：计算模型测试集基础准确率得分
    score = clf.score(X_test, y_test)
    scores.append(score)
    # 新增逻辑：计算F2分数
    y_pred = clf.predict(X_test)  # 获取模型在测试集上的预测结果
    # 计算F2值，beta=2对应F2分数定义
    # 二分类场景下average='binary'表示以正类为计算对象
    f2_score = fbeta_score(y_test, y_pred, beta=2, average='binary')
    f2_scores.append(f2_score)

关键配置说明 #

• beta=2是F2分数的核心定义，代表召回率的权重是精确率的4倍，不要误用f1_score（对应β=1）计算F2指标
• 如果你的二分类正类标签不是默认的1，可以在fbeta_score函数中补充pos_label=你的正类实际值参数，避免指标计算错配
• 如果需要对二分类的两个类别做聚合计算全局F2值，可以把average参数替换为'macro'（宏平均）或'weighted'（按样本量加权平均）
• 计算完成后，你可以把模型名、基础得分、F2分数绑定为性能列表：model_performance = list(zip(models, scores, f2_scores))，后续直接基于这两个维度做排序即可

内容的提问来源于stack exchange，提问作者cris2019