F1 score,micro F1score,macro F1score 的定义

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microF1score和macroF2score。决定再把F1score一并加进来把定义写清楚,忘记了再来看看。F1scoreF1score(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:F1  …

大家好,又见面了,我是你们的朋友全栈君。如果您正在找激活码,请点击查看最新教程,关注关注公众号 “全栈程序员社区” 获取激活教程,可能之前旧版本教程已经失效.最新Idea2022.1教程亲测有效,一键激活。

Jetbrains全系列IDE稳定放心使用

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 F1scoremacro 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+recall12=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+FPiTPi
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+FNiTPi
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+recallmaprecisionma×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+FP3TP1+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+FN3TP1+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+precisionmirecallmi×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-用户IM,转载请注明出处:https://javaforall.cn/182009.html原文链接:https://javaforall.cn

【正版授权,激活自己账号】: Jetbrains全家桶Ide使用,1年售后保障,每天仅需1毛

【官方授权 正版激活】: 官方授权 正版激活 支持Jetbrains家族下所有IDE 使用个人JB账号...

(0)


相关推荐

发表回复

您的电子邮箱地址不会被公开。

关注全栈程序员社区公众号