给定一批样本的预测标签、真实标签，以及各类别在总体评估中的权重（权重非负且和为 1），请计算加权精确率、加权召回率与加权 F1 分数。 对每个类别 c，统计 TP、FP、FN： TP：预测为 c 且真实为 c 的样本数 FP：预测为 c 但真实不为 c 的样本数 FN：真实为 c 但预测不为 c 的样本数 每类指标： precision_c = TP (TP + FP)，若分母为 0 则记为 0 recall_c = TP (TP + FN)，若分母为 0 则记为 0 f1_c = 0（当 precision_c + recall_c = 0），否则 f1_c = 2 * precision_c * recall_c (precision_c + recall_c) 加权汇总： precision = Σ weights[c] * precision_c recall = Σ weights[c] * recall_c f1Score = Σ weights[c] * f1_c 输出按四舍五入保留 2 位小数，位数不足补零。 类别编号为从 0 开始的连续整数，类别数等于第三行权重的个数。三行样本数长度一致。
输入描述:
第 1 行：预测结果 pred，空格分隔第 2 行：真实标签 trueY，空格分隔第 3 行：各类别权重 weights，按类别 0,1,2,... 的顺序给出，空格分隔，且加和为 1
输出描述:
一行三个数：precision recall f1Score（空格分隔，均保留 2 位小数）
示例1
输入
0 1 2 2 1 0 2 0
0 2 2 1 1 0 0 0
0.2 0.3 0.5
说明
类别 0：TP=3, FP=0, FN=1 → precision=1.00, recall=0.75, f1=0.86(约)
类别 1：TP=1, FP=1, FN=1 → precision=0.50, recall=0.50, f1=0.50
类别 2：TP=1, FP=2, FN=1 → precision≈0.33, recall=0.50, f1=0.40
加权：precision=0.52，recall=0.55，f1≈0.52（均四舍五入到 2 位小数）
加载中...