기출유형 4회 작업형2 f1_score 평가

안녕하세요, 매 강의마다 좋은 수업해주셔서 감사드립니다. lightgmb 뽀너스 영상도 정말 감사합니다~~

f1_score로 평가를 진행하고 싶었으나, 해당 오류가 발생하여 질문드리게 되었습니다. 제시된 데이터 set에 적합한 평가 모델을 문제에서 제시를 해주는 것인지, 제가 잘못된 코딩을 한 것 인지 확인해주시면 너무 감사드릴 것같습니다.

Please choose another average setting, one of [None, 'micro', 'macro', 'weighted'].에러 메시지를 확인하고 임의로 micro를 추가하여 옵션값을 주니까 에러 메시지 없이 평가값이 나오는점 확인하였습니다. 혹시 average setting이라는걸 세팅하는 경우는 어떤 경우인지 알려주실 수 있으신가요??

• 발생 오류 : Target is multiclass but average='binary'

---------------------------------------------------------------------------
ValueError                                Traceback (most recent call last)
<ipython-input-22-dbd4046600d4> in <cell line: 34>()
     32 pred = model.predict(X_val)
     33 
---> 34 print(f1_score(y_val,pred))
     35 
     36 # submit = pd.DataFrame({

3 frames
/usr/local/lib/python3.10/dist-packages/sklearn/metrics/_classification.py in _check_set_wise_labels(y_true, y_pred, average, labels, pos_label)
   1389             if y_type == "multiclass":
   1390                 average_options.remove("samples")
-> 1391             raise ValueError(
   1392                 "Target is %s but average='binary'. Please "
   1393                 "choose another average setting, one of %r." % (y_type, average_options)

ValueError: Target is multiclass but average='binary'. Please choose another average setting, one of [None, 'micro', 'macro', 'weighted'].

*작성코드

# 라이브러리 불러오기
import pandas as pd

# 데이터 불러오기
train = pd.read_csv("train.csv")
test = pd.read_csv("test.csv")

target = train.pop('Segmentation')
train = train.drop('ID',axis = 1)
test_id = test.pop('ID')

# 데이터 인코딩

train = pd.get_dummies(train)
test = pd.get_dummies(test)

# print(train.shape,test.shape)

# 검증데이터 생성
from sklearn.model_selection import train_test_split
X_tr,X_val,y_tr,y_val = train_test_split(
                                  train,target,test_size=0.2,random_state=2023
)

# 모델 생성 및 평가
from sklearn.metrics import f1_score
from sklearn.ensemble import RandomForestClassifier
model = RandomForestClassifier(random_state = 2023,max_depth = 5,n_estimators = 200)
model.fit(X_tr,y_tr)
pred = model.predict(X_val)

print(f1_score(y_val,pred))

precision_score(y_true, y_pred, average='macro')  # micro, macro, weighted
recall_score(y_true, y_pred, average='macro')  # micro, macro, weighted
f1_score(y_true, y_pred, average='macro')  # micro, macro, weighted