Macro VS Micro VS Weighted VS Samples F1 分数
Macro VS Micro VS Weighted VS Samples F1 Score
在sklearn.metrics.f1_score中，f1分数有一个参数叫"average"。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 "samples" 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？
- 加权和宏有什么区别？
问题是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，returns 不考虑数据集中每个标签的比例的平均值。average=weighted 表示为每个标签计算 f1 的函数，returns 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，returns 表示平均值。将其用于多标签分类。
我找到了一篇非常有用的文章，通过示例更彻底地解释了差异：https://towardsdatascience.com/multi-class-metrics-made-simple-part-ii-the-f1-score-ebe8b2c2ca1
不幸的是，它没有解决 'samples' 参数，而且我还没有尝试多标签分类，所以我无法回答问题 1。至于其他：
这些信息从何而来？如果我正确理解了这些差异，微观并不是不平衡数据集的最佳指标，而是最差的指标之一，因为它不包括比例。如文章中所述，micro-f1 等于准确性，这是不平衡数据的有缺陷的指标。
例如：分类器要在数千张随机图片中识别猫图片，但只有 1% 的数据集由猫图片组成（不平衡数据集）。即使它没有识别出一张猫图片，它的准确率/micro-f1-score 也达到了 99%，因为 99% 的数据都被正确识别为不是猫的图片。
简而言之：宏观就是个体分数的算术平均数，而加权包括个体样本量。我推荐这篇文章以获得详细信息，如果需要我可以提供更多示例。
我知道这个问题很老了，但我希望这对某人有所帮助。
如果我错了，请纠正我。我做了一些研究，但不是专家。
在sklearn.metrics.f1_score中，f1分数有一个参数叫"average"。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 "samples" 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？
- 加权和宏有什么区别？
问题是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，returns 不考虑数据集中每个标签的比例的平均值。average=weighted表示为每个标签计算 f1 的函数，returns 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，returns 表示平均值。将其用于多标签分类。
我找到了一篇非常有用的文章，通过示例更彻底地解释了差异：https://towardsdatascience.com/multi-class-metrics-made-simple-part-ii-the-f1-score-ebe8b2c2ca1
不幸的是，它没有解决 'samples' 参数，而且我还没有尝试多标签分类，所以我无法回答问题 1。至于其他：
这些信息从何而来？如果我正确理解了这些差异，微观并不是不平衡数据集的最佳指标，而是最差的指标之一，因为它不包括比例。如文章中所述，micro-f1 等于准确性，这是不平衡数据的有缺陷的指标。 例如：分类器要在数千张随机图片中识别猫图片，但只有 1% 的数据集由猫图片组成（不平衡数据集）。即使它没有识别出一张猫图片，它的准确率/micro-f1-score 也达到了 99%，因为 99% 的数据都被正确识别为不是猫的图片。
简而言之：宏观就是个体分数的算术平均数，而加权包括个体样本量。我推荐这篇文章以获得详细信息，如果需要我可以提供更多示例。
我知道这个问题很老了，但我希望这对某人有所帮助。 如果我错了，请纠正我。我做了一些研究，但不是专家。