多标签分类中常用指标和可视化例子

多标签分类中常用指标

1. 准确率（Accuracy）

准确率计算的是正确预测的标签比例。对于多标签分类，这通常是一个较为严格的指标，因为要求每个实例的所有标签都预测正确。

$$\text{Accuracy}=\frac{\text{正确预测的标签数}}{\text{总标签数}}$$

2. 精确度（Precision）

对于每个标签，精确度计算为：

$$\text{Precision}=\frac{\text{TP}}{\text{TP}+\text{FP}}$$

其中，TP（True Positives）是正确预测的正样本数，FP（False Positives）是错误预测的正样本数。对于多标签分类，通常对每个标签计算精确度，然后取平均值。

3. 召回率（Recall）

对于每个标签，召回率计算为：

$$\text{Recall}=\frac{\text{TP}}{\text{TP}+\text{FN}}$$

其中，FN（False Negatives）是未能正确预测的正样本数。和精确度一样，通常对每个标签单独计算召回率。

4. F1 分数（F1 Score）

对于每个标签，F1 分数是精确度和召回率的调和平均：

$$\text{F1 Score}=2\times \frac{\text{Precision}\times \text{Recall}}{\text{Precision}+\text{Recall}}$$

对于多标签分类，可以计算宏观（平均每个标签的F1分数）或微观F1分数（在所有标签上累积TP、FP、FN后计算）。

5. 汉明损失（Hamming Loss）

汉明损失反映了预测错误的标签比例：

$$\text{Hamming Loss}=\frac{\text{错误预测的标签数}}{\text{总标签数}}$$

6. 子集准确率（Subset Accuracy）

这是一个非常严格的指标，要求预测的每个标签集合完全匹配真实标签集合：

$$\text{Subset Accuracy}=\frac{\text{完全匹配的样本数}}{\text{总样本数}}$$

7. ROC 和 AUC

• ROC 曲线：真正类率（TPR）对假正类率（FPR）的图形表示。
• AUC 值：ROC 曲线下的面积。

在多标签设置中，这些指标通常是对每个标签单独计算然后取平均值。

宏观评价指标（Macro Metrics）

宏观指标是对每个标签分别计算指标值，然后取所有标签指标值的平均。对于精确度、召回率和F1分数，其宏观计算公式如下：

1. 宏观精确度（Macro Precision）
   $$MacroPrecision=\frac{1}{N}\sum _{i=1}^{N}Precisio{n}_i$$
   其中，Precision_i 是第 i 个标签的精确度，N 是标签的总数。

2. 宏观召回率（Macro Recall）
   $$MacroRecall=\frac{1}{N}\sum _{i=1}^{N}Recal{l}_i$$

3. 宏观 F1 分数（Macro F1 Score）
   $$MacroF1=\frac{1}{N}\sum _{i=1}^{N}F{1}_i$$

微观评价指标（Micro Metrics）

微观指标是在所有标签的汇总数据上计算指标值。对于精确度、召回率和F1分数，其微观计算公式如下：

1. 微观精确度（Micro Precision）
   $$MicroPrecision=\frac{{\sum }_{i=1}^{N}T{P}_i}{{\sum }_{i=1}^N(T{P}_i+F{P}_i)}$$
   其中，$T{P}_i$ 和 $F{P}_i$分别是第$i$个标签的真正例和假正例数。

2. 微观召回率（Micro Recall）
   $$MicroRecall=\frac{{\sum }_{i=1}^{N}T{P}_i}{{\sum }_{i=1}^N(T{P}_i+F{N}_i)}$$

3. 微观 F1 分数（Micro F1 Score）
   $$MicroF1=2\times \frac{MicroPrecision\times MicroRecall}{MicroPrecision+MicroRecall}$$

在多标签分类中，选择宏观还是微观指标取决于你的具体需求和数据的特性。例如，如果你希望每个标签都同等重要，可以选择宏观指标。如果你的数据集中某些标签的样本数远多于其他标签，使用微观指标可能更合适。

简单可视化

import matplotlib.pyplot as plt
import numpy as np

# 假设 x 轴有 8 个epcohs
epochs = np.arange(1, 9)

# 数据
micro_f1_values = {
    'w/o ATM, w/o APP': np.array([0.52, 0.54, 0.56, 0.58, 0.60, 0.61, 0.62, 0.63]),
    'w/ ATM, w/o APP': np.array([0.53, 0.55, 0.57, 0.59, 0.61, 0.62, 0.63, 0.64]),
    'w/o ATM, w/ APP': np.array([0.54, 0.56, 0.58, 0.59, 0.61, 0.64, 0.63, 0.65]),
    'w/ ATM, w/ APP': np.array([0.55, 0.57, 0.58, 0.56, 0.62, 0.63, 0.64, 0.66]),
}

# 设置不同的标记和颜色
markers = ['o', '^', '*', 's'] 
colors = ['black', 'blue', 'orange', 'red'] 

# 使用不同的标记和颜色绘制数据
plt.figure(figsize=(10, 6))
for (label, values), marker, color in zip(micro_f1_values.items(), markers, colors):
    plt.plot(epochs, values, marker=marker, color=color, linestyle='-', label=label)

# 添加标题和标签
plt.title('Micro-F1 Score over Epochs')
plt.xlabel('Train (num of epochs)')
plt.ylabel('Micro-F1')

# 添加网格和图例
plt.grid(True)
plt.legend()

# 显示
plt.show()