質問をすることでしか得られない、回答やアドバイスがある。

15分調べてもわからないことは、質問しよう!

ただいまの
回答率

88.92%

LightGBMのf値算出の方法を教えてください。

解決済

回答 1

投稿

  • 評価
  • クリップ 0
  • VIEW 203

hayatekun

score 5

LightGBMを使用して分類をさせようとしています。
f値で性能を評価したいのですが、print(f1_score(,))の中には何が入るのでしょうか。
ご教授お願い致します。

import lightgbm as lgb
from sklearn.metrics import confusion_matrix
from sklearn.metrics import accuracy_score

X, y = df_concat.iloc[:1248, [0, 2, 3, 4]], df_concat.iloc[:1248, 5]

# データをホールドアウト法で分割
x_train, x_test, y_train, y_test = train_test_split(X, y,test_size=0.3,shuffle=True,stratify=y)


# データセットを登録
lgb_train = lgb.Dataset(x_train, y_train)
lgb_test = lgb.Dataset(x_test, y_test, reference=lgb_train)


# LightGBMのハイパーパラメータを設定
params = {'task': 'train',              # タスクを訓練に設定
          'boosting_type': 'gbdt',      # GBDTを指定
          'objective': 'binary',        # 多クラス分類を指定
          'metric': {'binary_logloss'},  # 多クラス分類の損失(誤差)
          'num_class': 1,               # クラスの数
          'learning_rate': 0.1,         # 学習率
          'num_leaves': 21,             # ノードの数
          'min_data_in_leaf': 3,        # 決定木ノードの最小データ数
          'num_iteration': 100}         # 予測器(決定木)の数:イタレーション

lgb_results = {}                                    # 学習の履歴を入れる入物
model = lgb.train(params=params,                    # ハイパーパラメータをセット
                  train_set=lgb_train,              # 訓練データを訓練用にセット
                  valid_sets=[lgb_train, lgb_test], # 訓練データとテストデータをセット
                  valid_names=['Train', 'Test'],    # データセットの名前をそれぞれ設定
                  num_boost_round=500,              # 計算回数
                  early_stopping_rounds=10,         # アーリーストッピング設定
                  evals_result=lgb_results)         # 履歴を保存する

loss_train = lgb_results['Train']['binary_logloss']  # 訓練誤差
loss_test = lgb_results['Test']['binary_logloss']    # 汎化誤差
best_iteration = model.best_iteration               # 最良の予測器が得られたイテレーション数
print(loss_test)
print(best_iteration)
  • 気になる質問をクリップする

    クリップした質問は、後からいつでもマイページで確認できます。

    またクリップした質問に回答があった際、通知やメールを受け取ることができます。

    クリップを取り消します

  • 良い質問の評価を上げる

    以下のような質問は評価を上げましょう

    • 質問内容が明確
    • 自分も答えを知りたい
    • 質問者以外のユーザにも役立つ

    評価が高い質問は、TOPページの「注目」タブのフィードに表示されやすくなります。

    質問の評価を上げたことを取り消します

  • 評価を下げられる数の上限に達しました

    評価を下げることができません

    • 1日5回まで評価を下げられます
    • 1日に1ユーザに対して2回まで評価を下げられます

    質問の評価を下げる

    teratailでは下記のような質問を「具体的に困っていることがない質問」、「サイトポリシーに違反する質問」と定義し、推奨していません。

    • プログラミングに関係のない質問
    • やってほしいことだけを記載した丸投げの質問
    • 問題・課題が含まれていない質問
    • 意図的に内容が抹消された質問
    • 過去に投稿した質問と同じ内容の質問
    • 広告と受け取られるような投稿

    評価が下がると、TOPページの「アクティブ」「注目」タブのフィードに表示されにくくなります。

    質問の評価を下げたことを取り消します

    この機能は開放されていません

    評価を下げる条件を満たしてません

    評価を下げる理由を選択してください

    詳細な説明はこちら

    上記に当てはまらず、質問内容が明確になっていない質問には「情報の追加・修正依頼」機能からコメントをしてください。

    質問の評価を下げる機能の利用条件

    この機能を利用するためには、以下の事項を行う必要があります。

回答 1

checkベストアンサー

0

print(f1_score(,))の中には何が

の意味が分かりませんが、何を回答すればよろしいですか
F値の定義ではないですよね。定義であれば

F値₌2Recall*Precision/(Recall+Precision)

なのでこれを計算すればよろしいです。

sklearn.metricsのf1_scoreの使い方でしょうか

from sklearn.metrics import f1_score
中略
f1_score(実測値, 予測値)

でよろしいかと思います。他の指標も合わせ、以下の記事が分かりやすいかと思います。

c.f. LightGBMを試す

投稿

  • 回答の評価を上げる

    以下のような回答は評価を上げましょう

    • 正しい回答
    • わかりやすい回答
    • ためになる回答

    評価が高い回答ほどページの上位に表示されます。

  • 回答の評価を下げる

    下記のような回答は推奨されていません。

    • 間違っている回答
    • 質問の回答になっていない投稿
    • スパムや攻撃的な表現を用いた投稿

    評価を下げる際はその理由を明確に伝え、適切な回答に修正してもらいましょう。

15分調べてもわからないことは、teratailで質問しよう!

  • ただいまの回答率 88.92%
  • 質問をまとめることで、思考を整理して素早く解決
  • テンプレート機能で、簡単に質問をまとめられる

関連した質問

同じタグがついた質問を見る