scikit-learn - 类不平衡的 Scikit-Learn 中的 Micro F1 分数

Question

我有一些类不平衡和一个简单的基线分类器，它将多数类分配给每个样本：

from sklearn.metrics import precision_score, recall_score, confusion_matrix

y_true = [0,0,0,1]
y_pred = [0,0,0,0]
confusion_matrix(y_true, y_pred)

这产生

[[3, 0],

[1, 0]]

这意味着 TP=3，FP=1，FN=0。

到目前为止，一切都很好。现在我想计算精度和召回率的微观平均值。

precision_score(y_true, y_pred, average='micro') # yields 0.75
recall_score(y_true, y_pred, average='micro') # yields 0.75

我对精度很好，但为什么召回不是 1.0？假设 FP > 0 和 FN == 0，在这个例子中它们怎么可能是一样的？我知道这一定与微平均有关，但我无法理解这一点。

标签： scikit-learnprecision-recall

Answer 1

是的，这是因为微平均。请参阅此处的文档以了解其计算方式：

请注意，如果包括所有标签，多类设置中的“微”平均将产生 与准确率相同的精度、召回率和 f 分数。

正如您在上面的链接页面中看到的，精度和召回率都定义为：

其中 R(y, y-hat) 是：

因此，在您的情况下，Recall-micro 将计算为

R = number of correct predictions / total predictions = 3/4 = 0.75