LightGBMのf値算出の方法を教えてください。

Question

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)

Answer 1

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