(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）

 

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)

宏平均：

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）

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)）

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：

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)）

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）

• 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：使用微平均

      更注重样本量少的class：使用宏平均

• 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。