sklearn.metrics中micro和macro的区别

sklearn安装

先看以下示例，区分micro和macro的区别，这里直接调用sklearn封装好的接口，如果没有安装sklearn可以使用以下命令进行安装：

pip install scikit-learn

如果直接使用

pip install sklearn

是没有作用的，将会安装一个未知的第三方库。

micro和macro区别

先看一段简单的代码示例：

from sklearn.metrics import precision_score, recall_score, f1_score

a = [1, 1, 1, 2, 2, 2, 2, 3, 3, 3, 3, 3] #真实
b = [1, 1, 2, 1, 2, 2, 2, 2, 3, 1, 3, 3] #预测

print(precision_score(a, b, average='micro'), precision_score(a, b, average='macro'))
print(recall_score(a, b, average='micro'), recall_score(a, b, average='macro'))
print(f1_score(a, b, average='micro'), f1_score(a, b, average='macro'))

'''
0.6666666666666666 0.7000000000000001
0.6666666666666666 0.6722222222222222
0.6666666666666666 0.6626984126984127
'''

我们可以构建混淆矩阵进行说明，混淆矩阵的四个基本概念：

• TP：true positive，指的是正例，表示预测结果为真，标签的结果为真。
• FP：false positive，指的是假阳，表示预测结果为真，标签的结果为假。
• FN：false negative，指的是假阴，表示预测结果为假，标签的结果为真。
• TN：false negative，指的是假阳，表示预测结果为假，标签的结果为假。

所以可以对上述实例构建混淆矩阵

	1类	2类	3类	总数
TP	2	3	3	8
FP	2	2	0	4
FN	1	1	2	4
TN	7	6	7	20

precision、recall和F1计算公式如下所示
$$precision=\frac{TP}{TP+FP}$$

$$reall=\frac{TP}{TP+FN}$$

$$F1=\frac{2\ast precision\ast recall}{precision+recall}$$

micro：利用总数的TP、FP和FN进行计算
$$micro-precision=\frac{8}{8+4}=0.66666$$

$$micro-recall=\frac{8}{8+4}=0.66666$$

$$micro-F1=\frac{2\ast 0.66\ast 0.66}{0.66+0.66}=0.666$$

macro：先计算各个类别的TP、FP和FN，在进行汇总计算
$$macro-precision=\frac{1}{n}\sum _{i=1}^{n}precisio{n}_i=\frac{1}{3}(\frac{2}{2+2}+\frac{3}{3+2}+\frac{3}{3+0})=\frac{7}{10}$$

$$macro-recall=\frac{1}{n}\sum _{i=1}^{n}recal{l}_i=\frac{1}{3}(\frac{2}{2+1}+\frac{3}{3+1}+\frac{3}{3+2})=\frac{121}{180}=0.67222$$

$$macro-F1=\frac{1}{n}\sum _{i=1}^{n}F{1}_i=0.66269$$

通过上述示例就可以清楚地知道micro和macro的区别了。