1 问题

1. 、精确率（precision）、召回率（recall）和平衡F分数（f1-score）的介绍
2. 平衡F分数（f1-score）的计算方法
   2 方法
   1. 、精确率表示的是预测为正样本中真正为正样本的比例，即正确预测的数量占预测为正样本数量的比例；

召回率则表示所有真正的正样本中被正确预测为正样本的比例，即正确预测的数量占所有真正正样本数量的比例；

平衡F分数f1-score综合了Precision与Recall的结果，旨在解决在数据不平衡的情况下，仅使用精准率或召回率不能全面评估模型性能的问题。其数值为精确率和召回率的调和平均数，数学表达式为：f1-score = 2/ (1/P+1/R) = 2PR/P+R，f1-score常常作为最终测评的方法。

（2）、对于二分类来说，假设batch size 大小为64的话，那么模型一个batch的输出是torch.size([64,2])，在得到预测输出结果pred后计算这个二维矩阵的每一行的最大索引值np.argmax(pred,axis=1)，然后添加到一个列表中，同时把标签也添加到一个列表中，最后使用sklearn中计算f1_score包进行计算。

3 结语

针对计算平衡F分数f1-score的问题，提出从sk-learn中导入f1_score库来计算，通过查阅资料，发现该方法是有效的，本文中没有详细介绍精确率precision和召回率recall的计算方法，并且计算平衡F分数f1-score没用通过综合Precision与Recall的结果来得到，而是用第三方库。