Skip to main content
 首页 » 编程设计

python之Macro VS Micro VS Weighted VS Samples F1 分数

2024年11月24日15langtianya

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:

  1. 为什么“样本”是多标签分类的最佳参数?
  2. 为什么微处理器最适合不平衡的数据集?
  3. 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。