python - 宏观 VS 微观 VS 加权 VS 样本 F1 分数
问题描述
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:
- 为什么“样本”是多标签分类的最佳参数?
- 为什么 micro 最适合不平衡的数据集?
- 加权和宏观有什么区别?
解决方案
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。
推荐阅读
- javascript - JS:TypeError:非法调用 document.querySelectorAll
- html - Css 网格总是方形的、响应式的和最大化的
- identityserver4 - .net Core IdentityServer4 和 mariaDB Lggin 更新数据库时用户“root”失败
- woocommerce - 如何在主题 WooCommerce 中获取优惠券详细信息
- wpf - 如何在 WPF DataGrid 的 RowHeader 的“列标题”上获取单击事件
- android - Flutter 连接性:compileDebugJavaWithJavac 错误
- python - 我的 Python 程序中的列表将无法正常工作
- fortran - 如何释放通过 iso_c_binding 调用的函数中分配的内存,然后通过 f2py 传递给 python?
- javascript - 添加元素的多个实例
- keycloak - keycloak-js 初始化失败,因为祖先违反了内容安全策略指令:“frame-ancestors 'self'