(笔记)宏平均和微平均

目录

应用场景:多分类

计算公式:

例子:

例(1)

宏平均:

微平均:

例(2):

宏平均:

微平均:

例(3):

区别+更详细的应用场景:

结论:


 

应用场景:多分类

计算公式:

(转自:谈谈评价指标中的宏平均和微平均_chenpe32cp的博客-CSDN博客)

(笔记)宏平均和微平均_第1张图片(笔记)宏平均和微平均_第2张图片

 

两句话就是:

宏平均先在每个类别上计算P、R、F值,再取平均,我猜它之所以叫宏平均就是因为它用到了÷n;(自己的猜测,帮助理解)

微平均看总体的P、R,然后计算F;

例子:

例(1)

(链接:多类分类(Multi-label classification)性能评价之宏平均(macro-average)与微平均(micro-average)_zhangbaoanhadoop的博客-CSDN博客)

(笔记)宏平均和微平均_第3张图片

宏平均:

(笔记)宏平均和微平均_第4张图片

(笔记)宏平均和微平均_第5张图片

(笔记)宏平均和微平均_第6张图片

关于sklearn里的宏、微平均讲解:(链接:sklearn中 F1-micro 与 F1-macro区别和计算原理_lyb3b3b的专栏-CSDN博客)

微平均:

例(2):

主要为了验证一下结果(链接:模型评价——准确率、精确率与召回率与F值、宏平均与微平均、ROC曲线与AUC值 - 知乎 (zhihu.com))

(笔记)宏平均和微平均_第7张图片

马上迎来一大波计算公式:(axmath纯手打,csdn识别不了axmath转化来的latex公式)

宏平均:

(笔记)宏平均和微平均_第8张图片

(笔记)宏平均和微平均_第9张图片

微平均:

关于sklearn里的宏、微平均讲解:(链接:sklearn中 F1-micro 与 F1-macro区别和计算原理_lyb3b3b的专栏-CSDN博客)

例(3):

(链接:模型评价——准确率、精确率与召回率与F值、宏平均与微平均、ROC曲线与AUC值 - 知乎 (zhihu.com))

(笔记)宏平均和微平均_第10张图片

小姐姐这里算的应该是:宏平均里的宏召回率,和微平均里的微召回率;

但小姐姐这个例子有趣的是,宏召回、宏准确率、宏F1值相等。(在脑子里面转了转,错了直接告诉我)

 

区别+更详细的应用场景:

(link:【机器学习】多分类任务的性能评价——宏平均和微平均_ccszbd的博客-CSDN博客_宏平均和微平均)

(笔记)宏平均和微平均_第11张图片

  • 如何每个class的样本数量相差不大,那么宏平均和微平均差异也不大
  • 如果每个class的相差较大并且你想:

      更注重样本量多的class:使用平均

      更注重样本量少的class:使用平均

  • 如果微平均远低于宏平均,则应该去检查样本量多的class
  • 如果宏平均远低于微平均,则应该去检查样本量少的class

结论:

在类别不均衡的情况下,我们显然更注重少数类是否被识别出来,这时候我们应该更关注宏平均,并且越大(最大为1)表明性能越好。

同时,在类别不均衡的情况下,要使用AUC作为评价指标。(忽然发现我没有整理关于AUC的笔记,留个坑)

感谢大家的链接和分享。

 

你可能感兴趣的:(python,python,机器学习)