|
各位学友大家好，医院死气沉沉的很无奈。今天外院的老师问我关于宏平均和微平均，这里给大家总结一下： 在机器学习中，尤其是在处理分类问题时，交叉验证是一种常用的评估模型性能的方法。当我们处理多分类问题时，经常会使用到宏平均（Macro-average）和微平均（Micro-average）来综合评估模型对各个类别的分类性能。这两种方法考虑多分类性能的方式不同，适用于不同的场景。 微平均（Micro-average） 微平均方法首先会汇总所有类别的真正例（TP）、假正例（FP）和假负例（FN），然后基于这些总数来计算性能指标（如精确度、召回率等）。 计算方法：先计算总的TP、FP和FN，然后用这些总数计算性能指标。例如，微平均精确度计算为所有类别的TP总和除以TP和FP的总和。 原理上的特点：微平均给出了所有类别整体的性能评估，它对每个样本平等对待，因此对于样本量大的类别有较高的影响。 宏平均（Macro-average） 宏平均方法会先对每个类别单独计算性能指标，然后计算这些指标的算术平均值。 计算方法：对每个类别独立计算性能指标，然后取这些指标的简单平均。例如，宏平均精确度是将每个类别的精确度分别计算出来后求平均值。 原理上的特点：宏平均对所有类别一视同仁，每个类别的性能指标对最终结果的贡献相同，因此它对于样本量不平衡的情况特别有用，可以避免大类别主导结果的情况。 对比与选择 宏平均更适用于：当你关心每个类别被平等对待时，即每个类别的重要性相同，不希望结果被大类别主导。 微平均更适用于：当你关心每个样本被平等对待时，适用于样本量不均匀的类别，更加关注总体的性能。 简单来说，如果你的数据集类别之间样本量差异很大，而你又希望评估模型在小类上的性能，那么宏平均是个不错的选择；如果你想要一个整体的性能指标，不太关心类别不平衡，那么微平均会是更好的选择。 from sklearn.metrics import precision_score, recall_score, f1_score # 假设数据：每个类别的TP, FP, FN, TN data = { 'class1': {'TP': 70, 'FP': 30, 'FN': 20, 'TN': 80}, 'class2': {'TP': 50, 'FP': 10, 'FN': 30, 'TN': 110}, 'class3': {'TP': 80, 'FP': 20, 'FN': 10, 'TN': 90}, } # 计算微平均 micro_TP = sum([v['TP'] for v in data.values()]) micro_FP = sum([v['FP'] for v in data.values()]) micro_FN = sum([v['FN'] for v in data.values()]) micro_precision = micro_TP / (micro_TP + micro_FP) micro_recall = micro_TP / (micro_TP + micro_FN) micro_f1 = 2 * (micro_precision * micro_recall) / (micro_precision + micro_recall) # 计算宏平均 macro_precision = sum([v['TP'] / (v['TP'] + v['FP']) for v in data.values()]) / len(data) macro_recall = sum([v['TP'] / (v['TP'] + v['FN']) for v in data.values()]) / len(data) macro_f1 = 2 * (macro_precision * macro_recall) / (macro_precision + macro_recall) print(f"Micro-averaged precision: {micro_precision}") print(f"Micro-averaged recall: {micro_recall}") print(f"Micro-averaged F1: {micro_f1}") print(f"Macro-averaged precision: {macro_precision}") print(f"Macro-averaged recall: {macro_recall}") print(f"Macro-averaged F1: {macro_f1}") 下面再用R实现一下 # 假设数据 data <- data.frame( class = c('class1', 'class2', 'class3'), TP = c(70, 50, 80), FP = c(30, 10, 20), FN = c(20, 30, 10), TN = c(80, 110, 90) ) # 计算微平均 micro_TP <- sum(data$TP) micro_FP <- sum(data$FP) micro_FN <- sum(data$FN) micro_precision <- micro_TP / (micro_TP + micro_FP) micro_recall <- micro_TP / (micro_TP + micro_FN) micro_f1 <- 2 * (micro_precision * micro_recall) / (micro_precision + micro_recall) # 计算宏平均 macro_precision <- mean(data$TP / (data$TP + data$FP)) macro_recall <- mean(data$TP / (data$TP + data$FN)) macro_f1 <- 2 * (macro_precision * macro_recall) / (macro_precision + macro_recall) print(paste("Micro-averaged precision:", micro_precision)) print(paste("Micro-averaged recall:", micro_recall)) print(paste("Micro-averaged F1:", micro_f1)) print(paste("Macro-averaged precision:", macro_precision)) print(paste("Macro-averaged recall:", macro_recall)) print(paste("Macro-averaged F1:", macro_f1)) |
|
|
