F1 score,micro F1score,macro F1score 的定义

本篇博客可能会继续更新

最近在文献中经常看到precesion,recall，常常忘记了他们的定义，在加上今天又看到评价多标签分类任务性能的度量方法micro F1score和macro F2score。决定再把F1 score一并加进来把定义写清楚，忘记了再来看看。

F1score

F1score(以下简称F1)是用来评价二元分类器的度量，它的计算方法如下： F 1    =    2 1 p r e c i s i o n + 1 r e c a l l = 2 p r e c i s i o n × r e c a l l p r e c i s o n + r e c a l l F1\;=\;\frac2{ {\displaystyle\frac1{precision}}+{\displaystyle\frac1{recall}}}=2\frac{precision\times recall}{precison+recall} F1=precision1​+recall1​2​=2precison+recallprecision×recall​ F1是用来衡量二维分类的，那形容多元分类器的性能用什么呢？micro F1score,和macro F2score则是用来衡量多元分类器的性能。

macro F1score

假设对于一个多分类问题，有三个类，分别记为1、2、3，

TPi是指分类i的True Positive； FPi是指分类i的False Positive； TNi是指分类i的True Negative； FNi是指分类i的False Negative。

我们分别计算每个类的精度(precision) precision i = T P i T P i + F P i {\text{precision}}_i=\frac{TP_i}{TP_i+FP_i} precisioni​=TPi​+FPi​TPi​​ macro 精度 就是所有分类的精度平均值 precision m a = precision 1 + precision 2 + precision 3 3 {\text{precision}}_{ma}=\frac{ {\text{precision}}_1+{\text{precision}}_2+{\text{precision}}_3}3 precisionma​=3precision1​+precision2​+precision3​​ 同样，每个类的recall计算为 r e c a l l i    = T P i T P i + F N i {recall}_i\;=\frac{TP_i}{TP_i+FN_i} recalli​=TPi​+FNi​TPi​​ macro 召回就是所有分类的召回平均值 recall m a = recall 1 + recall 2 + recall 3 3 {\text{recall}}_{ma}=\frac{ {\text{recall}}_1+{\text{recall}}_2+{\text{recall}}_3}3 recallma​=3recall1​+recall2​+recall3​​ 套用F1score的计算方法,macro F1score就是 m a c r o    F 1 s c o r e i = 2 p r e c i s i o n m a × r e c a l l m a p r e c i s i o n m a + r e c a l l m a macro\;F1score_i=2\frac{precision_{ma}\times recall_{ma}}{precision_{ma}+recall_{ma}} macroF1scorei​=2precisionma​+recallma​precisionma​×recallma​​

micro F1score

假设对于一个多分类问题，有三个类，分别记为1、2、3，

TPi是指分类i的True Positive； FPi是指分类i的False Positive； TNi是指分类i的True Negative； FNi是指分类i的False Negative。 接下来，我们来算micro precision precision m i = T P 1 + T P 2 + T P 3 T P 1 + F P 1 + T P 2 + F P 2 + T P 3 + F P 3 {\text{precision}}_{mi}=\frac{TP_1+TP_2+TP_3}{TP_1+FP_1+TP_2+FP_2+TP_3+FP_3} precisionmi​=TP1​+FP1​+TP2​+FP2​+TP3​+FP3​TP1​+TP2​+TP3​​ 相应的micro recall则是 recall m i = T P 1 + T P 2 + T P 3 T P 1 + F N 1 + T P 2 + F N 2 + T P 3 + F N 3 {\text{recall}}_{mi}=\frac{TP_1+TP_2+TP_3}{TP_1+FN_1+TP_2+FN_2+TP_3+FN_3} recallmi​=TP1​+FN1​+TP2​+FN2​+TP3​+FN3​TP1​+TP2​+TP3​​ 则micro F1score为 m i c r o    F 1 s c o r e = 2 recall m i × precision m i recall m i + precision m i micro\;F1score=2\frac{ {\text{recall}}_{mi}\times{\text{precision}}_{mi}}{ {\text{recall}}_{mi}+{\text{precision}}_{mi}} microF1score=2recallmi​+precisionmi​recallmi​×precisionmi​​

总结

如果各个类的分布不均衡的话，使用micro F1score比macro F1score 比较好，显然macro F1score没有考虑各个类的数量大小

参考 该网址一位答主的回答，我搬运过来

版权声明：本文内容由互联网用户自发贡献，该文观点仅代表作者本人。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如发现本站有涉嫌侵权/违法违规的内容， 请发送邮件至 举报，一经查实，本站将立刻删除。

发布者：全栈程序员栈长，转载请注明出处：https://javaforall.cn/182009.html原文链接：https://javaforall.cn