python - 宏观 VS 微观 VS 加权 VS 样本 F1 分数

Question

在 sklearn.metrics.f1_score 中，f1 分数有一个称为“平均”的参数。宏观、微观、加权和样本是什么意思？请详细说明，因为在文档中没有正确解释。或者简单地回答以下问题：

1. 为什么“样本”是多标签分类的最佳参数？
2. 为什么 micro 最适合不平衡的数据集？
3. 加权和宏观有什么区别？

标签： pythonpython-3.xmachine-learningscikit-learnmetrics

Answer 1

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

从代码中可以看出：

• average=micro表示通过考虑总的真阳性、假阴性和假阳性来计算 f1 的函数（无论数据集中每个标签的预测如何）
• average=macro表示计算每个标签的 f1 的函数，并返回平均值而不考虑数据集中每个标签的比例。
• average=weighted表示计算每个标签的 f1 的函数，并返回考虑数据集中每个标签的比例的平均值。
• average=samples表示为每个实例计算 f1 的函数，并返回平均值。将其用于多标签分类。