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:

 


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。

 

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)


macro 精度 就是所有分类的精度平均值


同样,每个类的recall计算为


macro 召回就是所有分类的召回平均值


套用F1score的计算方法,macro F1score就是

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


相应的micro recall则是


则micro F1score为

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

posted @ 2019-06-16 19:32  hjlweilong  阅读(1406)  评论(0编辑  收藏  举报