本篇博客可能会继续更新
最近在文献中经常看到precesion,recall,常常忘记了他们的定义,在加上今天又看到评价多标签分类任务性能的度量方法micro F1score和macro F2score。决定再把F1 score一并加进来把定义写清楚,忘记了再来看看。
F1score
F1score(以下简称F1)是用来评价二元分类器的度量,它的计算方法如下:
F 1    =    2 1 p r e c i s i o n + 1 r e c a l l = 2 p r e c i s i o n × r e c a l l p r e c i s o n + r e c a l l F1\;=\;\frac2{
{\displaystyle\frac1{precision}}+{\displaystyle\frac1{recall}}}=2\frac{precision\times recall}{precison+recall} F1=precision1+recall12=2precison+recallprecision×recall
F1是用来衡量二维分类的,那形容多元分类器的性能用什么呢?micro F1score,和macro F2score则是用来衡量多元分类器的性能。
macro F1score
假设对于一个多分类问题,有三个类,分别记为1、2、3,
TPi是指分类i的True Positive;
FPi是指分类i的False Positive;
TNi是指分类i的True Negative;
FNi是指分类i的False Negative。
我们分别计算每个类的精度(precision)
precision i = T P i T P i + F P i {\text{precision}}_i=\frac{TP_i}{TP_i+FP_i} precisioni=TPi+FPi