在 sklearn.metrics.f1_score 中,f1 分数有一个名为“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,它没有正确解释。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?
- 为什么微处理器最适合不平衡的数据集?
- 加权和宏观有什么区别?
请您参考如下方法:
问题是关于sklearn.metrics.f1_score中average参数的含义.
从code可以看出:
average=micro表示通过考虑总真阳性、假阴性和假阳性(无论数据集中每个标签的预测如何)来计算 f1 的函数average=macro表示为每个标签计算 f1 的函数,并在不考虑数据集中每个标签的比例的情况下返回平均值。average=weighted表示为每个标签计算 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。
