宏观VS微观VS加权VS样本F1得分 [英] Macro VS Micro VS Weighted VS Samples F1 Score
本文介绍了宏观VS微观VS加权VS样本F1得分的处理方法,对大家解决问题具有一定的参考价值,需要的朋友们下面随着小编来一起学习吧!
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:
- 为什么Samples是多标签分类的最佳参数?
- 为什么微观最适合不平衡的数据集?
- 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!
查看全文