python - 如何计算平均 TPR、TNR、FPR、FNR - 多类分类

Question

如果数据集不平衡，如何计算平均 TPR、TNR、FPR、FNR？

例如 FPR：[3.54224720e-04 0.00000000e+00 1.59383505e-05 0.00000000e+00] 那么，我可以计算出 4 类的总和除以 4 吗？

TPR :[3.54224720e-04 + 0.00000000e+00 + 1.59383505e-05 + 0.00000000e+00]/4 = 0.99966 ?

And how to calculate 3.54224720e-04 it is equal .000354224720 ?

Thank you

FP = np.sum(matrix, axis=0) - np.diag(matrix)
FN = np.sum(matrix, axis=1) - np.diag(matrix)
TP = np.diag(matrix)
TN = np.sum(matrix) - (FP + FN + TP)

# True Positive rate
TPR = TP/(TP+FN)
print("TPR:", TPR)
# True Negative Rate
TNR = TN/(TN+FP)
print("TNR:", TNR)
# False Positive Rate
FPR = FP/(FP+TN)
print("FPR:", FPR)
# False Negative Rate
FNR = FN/(TP+FN)
print("FNR:", FNR)

# Overall accuracy
ACC = (TP+TN)/(TP+FP+FN+TN)
print("ACC :", ACC)

标签： pythonmachine-learningconfusion-matrixmulticlass-classification

Answer 1

有不同的方法来衡量指标的平均值。如果您检查包，例如sklearn，您会看到可以提供多个参数。微观，宏观，加权等。

如果您想手动计算它们，一种方法（微）是从您的四个不同输出中获取不同的 TP、FN、FP 和 TN 值并将它们汇总在一起，然后计算您的指标。

所以，你应该真正理解你的问题，看看哪一个是有意义的。大多数情况下，在数据不平衡的情况下，最好使用加权平均。请记住，如果您有任何基线计算，则必须使用完全相同的方法来计算这些值以进行公平比较，因为不同的平均方法之间可能存在巨大差异。

是的，这两个数字是相等的。

更新：

如文档所示：

加权平均值：计算每个标签的指标，并通过支持度（每个标签的真实实例数）找到它们的加权平均值。这会改变“宏观”以解决标签不平衡问题；它可能导致 F 分数不在精确率和召回率之间。

这个问题也是相关的。

对于加权指标，您分别计算 4 个类中的每个类的每个指标。有了每个类中的实例数，您就可以计算加权平均指标。这张图片显示了加权精度的等式：