我想使用sklearn的几个评估得分（NMI，ARI，F1）使用一些综合数据评估聚类方法。当NMI和ARI正常工作时，我确实遇到了有关F1得分的问题，其中标签被切换，例如，真实标签为[0, 0, 0, 1, 1, 1]，预测标签为[1, 1, 1, 0, 0, 0]。对于集群来说，这是一个完美的结果，因为已正确识别了两个集群，仅切换了标签：集群1的标签为0，反之亦然。 F1分数似乎无法处理，因为我的代码产生的{1}的F1分数。我认为发生这种情况是因为标签没有相同的名称/编号，但是我无法手动为每个群集切换标签名称，因为这是很多工作的方法，尤其是对于大型数据集，因此是否有更通用的解决方案？ / p>
示例代码：
0.0答案 0 :(得分：1)
F1分数的计算公式为：
2*((precision*recall)/(precision+recall))
我确信您知道精度定义为：
TP/(TP+FP)
回想是：
TP/(TP+FN)
因此，在以上TP=0，FP=3，FN=3
因此，精度和查全率均为0。这又使F1得分计算看起来像
2*((0*0)/(0+0))
实际上，我认为应该出错，因为您被零除，但是scikit学习的处理方式可能有所不同。
因此，在您的情况下，如果确实是这样，则必须正确标记预测以匹配基本事实。 F1分数永远不会知道该信息。问题可能是标签如何应用于您的集群，或者是您的测试数据，而不是f1分数。