宏观VS微观VS加权VS样本F1得分 [英] Macro VS Micro VS Weighted VS Samples F1 Score

问题描述

在sklearn.metrics.f1_core中，F1分数有一个名为"Average"的参数。宏观、微观、加权和样本意味着什么？请详细说明，因为在文档中没有正确解释。或者只需回答以下问题：

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

推荐答案

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

如code中所示：

• average=micro表示通过考虑总的真阳性、假阴性和假阳性(与数据集中每个标签的预测无关)来计算F1的函数
• average=macro表示为每个标签计算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。用于多标签分类。

这篇关于宏观VS微观VS加权VS样本F1得分的文章就介绍到这了，希望我们推荐的答案对大家有所帮助，也希望大家多多支持IT屋！