深度学习模型评价指标——micro（微平均）/macro（宏平均）

最新推荐文章于 2024-07-04 00:13:28 发布

HiJack¹

最新推荐文章于 2024-07-04 00:13:28 发布

阅读量1.4k

点赞数

分类专栏：学习笔记文章标签：深度学习机器学习 micro macro

本文链接：https://blog.csdn.net/jialins_blog/article/details/129975308

版权

学习笔记专栏收录该内容

39 篇文章 2 订阅

订阅专栏

最开始接触micro和macro是通过sklearn.metrics.precision_score，地址如下：precision_score，其中average参数的三个选项：micro、macro、weighted，说明如下。

'micro':
Calculate metrics globally by counting the total true positives, false negatives and false positives.

'macro':
Calculate metrics for each label, and find their unweighted mean. This does not take label imbalance into account.

'weighted':
Calculate metrics for each label, and find their average weighted by support (the number of true instances for each label). This alters ‘macro’ to account for label imbalance; it can result in an F-score that is not between precision and recall.

计算公式如下：
在这里插入图片描述
TP：True Positive，分类器预测结果为正样本，实际也为正样本，即正样本被正确识别的数量。

FP：False Positive，分类器预测结果为正样本，实际为负样本，即误报的负样本数量。

TN：True Negative，分类器预测结果为负样本，实际为负样本，即负样本被正确识别的数量。

FN：False Negative，分类器预测结果为负样本，实际为正样本，即漏报的正样本数量。

micro和weighted的计算方法类似，micro会根据样本类别的数量多少来相应的改变权重的大小，是以样本数量为主导的加权指标；weighted则不会考虑样本数量的多少，是以每一类样本数量在所有类样本总数中的占比作为权重。在micro指标下，样本的precision_score和recall都等于accuracy_scroe。