3分钟实现Burn异常检测：F1-score计算全攻略

Burn是一个基于Rust构建的全新深度学习框架，以极致的灵活性、计算效率和可移植性为主要目标。本文将带你快速掌握如何在Burn中实现异常检测的F1-score计算，帮助你评估模型性能。## 什么是F1-score？F1-score是一种常用的分类模型评估指标，它综合考虑了模型的精确率（Precision）和召回率（Recall），通过调和平均计算得出。在异常检测中，F1-score能够有

乌宣广

1049人浏览 · 2026-02-08 02:53:55

乌宣广 · 2026-02-08 02:53:55 发布

3分钟实现Burn异常检测：F1-score计算全攻略

【免费下载链接】burn Burn is a new comprehensive dynamic Deep Learning Framework built using Rust with extreme flexibility, compute efficiency and portability as its primary goals. 项目地址: https://gitcode.com/GitHub_Trending/bu/burn

Burn是一个基于Rust构建的全新深度学习框架，以极致的灵活性、计算效率和可移植性为主要目标。本文将带你快速掌握如何在Burn中实现异常检测的F1-score计算，帮助你评估模型性能。

什么是F1-score？

F1-score是一种常用的分类模型评估指标，它综合考虑了模型的精确率（Precision）和召回率（Recall），通过调和平均计算得出。在异常检测中，F1-score能够有效平衡模型对异常样本的识别能力和误判率。

F1-score的计算公式为： F1 = 2 * (精确率 * 召回率) / (精确率 + 召回率)

当beta值为1时，F1-score即为标准的F1分数；当beta>1时，召回率的权重更高；当beta<1时，精确率的权重更高。

Burn框架中的F1-score实现

Burn框架在crates/burn-train/src/metric/fbetascore.rs文件中提供了完整的F1-score（FBetaScore）实现。该实现支持二进制分类、多类分类和多标签分类等多种场景，并提供了灵活的参数配置。

数据准备与处理

在计算F1-score之前，首先需要准备好模型的预测结果和真实标签数据。Burn的数据集处理流程如下：

如上图所示，Burn的数据集处理流程包括数据加载、数据映射和批处理等步骤，最终将原始数据转换为模型可接受的张量格式。

F1-score计算步骤

配置分类参数：根据具体任务类型（二分类、多分类或多标签分类）配置相应的参数，如阈值、top_k值和类别归约方式等。
计算混淆矩阵统计量：通过ConfusionStats计算真正例（TP）、假正例（FP）和假负例（FN）等统计量。
计算F1-score：根据F1-score公式，结合配置的beta值计算最终得分。

代码示例

以下是在Burn中使用F1-score的基本示例：

// 二进制分类F1-score
let mut f1_metric = FBetaScoreMetric::binary(1.0, 0.5); // beta=1.0, threshold=0.5

// 多类分类F1-score
let mut f1_metric = FBetaScoreMetric::multiclass(1.0, 1, ClassReduction::Macro); // beta=1.0, top_k=1

// 更新 metric
f1_metric.update(&input, &MetricMetadata::fake());

// 获取F1-score值
let f1_score = f1_metric.value().current();