一文看懂机器学习指标（二）

大家好，我是小轩

上一篇文章末尾说过几天写一篇多标签分类评价指标

后台已经有人催更了

现在它来了

这几天跑的模型是以论文摘要，说的再详细一些就是对摘要进行标记，然后用标记后的数据在模型中训练

下面我们多标签分类进行介绍，可能有的说的不是特别精确，但可以参考理解其意思，仅供大家选择和学习

有的同学问单标签和多标签有什么区别？

多标签就是有多个维度进行判断，单标签分类只有两个类别：高兴或不高兴。

如下图，论文摘要通过两个模型对四个维度进行训练，通过最后的训练指标可以看出哪个模型泛化能力更好

如果不了解单标签分类和什么是混淆矩阵的话，请看前面那篇文章《一文看懂机器学习指标（一）》

在多标签场景下，需要对每个维度进行计算得到混淆矩阵

下面两张图片说明一下不同维度的混淆矩阵计算

一共有四个维度，就假设第一张是兴趣，第二张是地理位置

Note：这里以0.5做正负划分

图 1 兴趣

图 2 地理位置

上面是两个维度的混淆矩阵，另外两个也一样，求混淆矩阵的方法都是一样的，这里就不展示了

多标签分类指标将F1分为F1 Micro和F1 Macro

• F1 Macro考虑了标签之间的差异
• F1 Micro不考虑标签之间的差异

什么意思？

上面可以通过四个混淆矩阵计算四个维度的精确率和召回率，就可以得到四组精确率和四组召回率

针对每一个维度 ，比如说第一个维度计算出来的精确率和召回率，可以得到F1 Macro值，同样计算其它三个维度的F1 Macro值，然后计算四个F1 Macro的平均数

将四个维度的混淆矩阵的TP、FP、FN、TN对应相加，得到一个混淆矩阵，然后计算精确率和召回率，最后计算得到F1 Micro值

有什么问题可以后台留言