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:
- 为什么“samples”是多标签分类的最佳参数?
- 为什么对于不平衡数据集,微平均(micro)是最佳参数?
- 加权平均(weighted)和宏平均(macro)之间有什么区别?
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:
sklearn.metrics.f1_score
中 average
参数的含义。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。