宏观 F1 分数 VS 微观 F1 分数 VS 加权 F1 分数 VS 样本 F1 分数

Question

在sklearn.metrics.f1_score中，F1分数有一个名为“average”的参数。什么是宏平均、微平均、加权和样本？请详细解释，因为在文档中没有很好地解释。或者简单回答以下问题：

1. 为什么“samples”是多标签分类的最佳参数？
2. 为什么对于不平衡数据集，微平均（micro）是最佳参数？
3. 加权平均（weighted）和宏平均（macro）之间有什么区别？

- Code Geek

---

我已经尝试过了，没有任何输出。 - Code Geek

仔细阅读sklearn.metrics.f1_score函数的文档，你就能得到答案。 - abunickabhi

抱歉，但我是这么做的。“因为文档没有被恰当地解释”。 - Code Geek

你在哪里看到了“微调适用于不平衡数据”和“样本适用于多标签分类”的说法？ - Thibault D.

您的问题答案在这里：https://datascience.stackexchange.com/a/24051/17844 - Kirill Dolmatov

Answer 1

这个问题是关于在 sklearn.metrics.f1_score 中 average 参数的含义。

从代码可以看到：

• average=micro 表示函数通过计算总的真正例、假反例和假正例来计算 F1 值（不考虑数据集中每个标签的预测）
• average=macro 表示函数分别计算每个标签的 F1 值，并返回不考虑数据集中每个标签的比例的平均值。
• average=weighted 表示函数分别计算每个标签的 F1 值，并返回考虑数据集中每个标签的比例的平均值。
• average=samples 表示函数为每个实例计算 F1 值，并返回平均值。用于多标签分类。

- sentence

Answer 2

我发现一篇详细解释了这些差异并提供了例子的有用文章：https://towardsdatascience.com/multi-class-metrics-made-simple-part-ii-the-f1-score-ebe8b2c2ca1 不幸的是，它没有涉及“样本”参数，并且我还没有尝试过多标签分类，所以无法回答问题1。至于其他问题：

1. 这些信息从哪里得来的？如果我正确理解差异，micro不是不均衡数据集的最佳指标之一，而是最差之一，因为它不包括比例。正如文章中所描述的那样，micro-f1等于准确性，这是不适合不平衡数据的缺陷指标。例如：分类器应该在成千上万张随机图片中识别猫图片，数据集只有1%是猫图片（不平衡数据集）。即使它没有识别出任何一张猫图片，它的准确率/微观f1分数也为99％，因为99％的数据被正确地识别为非猫图片。

2. 简言之，Macro是各自得分的算术平均值，而Weighted包括各自样本的大小。我建议阅读文章获取详细信息，如果需要，我可以提供更多例子。

我知道这个问题相当老了，但我希望这可以帮助某些人。如果我有错，请纠正我。我做了一些研究，但不是专家。

- 3scapeX

---

"微平均值不是衡量数据集不平衡的最佳指标"，这并非总是正确的。您可以将负标签排除在微平均之外。例如，sklearn f1_score函数提供了labels/pos_label参数来控制此问题。在许多自然语言处理任务中，如命名实体识别（NER），微平均f1始终是最好的度量标准。 - Bugface