我正在做多类分类,并且分类不均衡。F1比Scikit-learn中的精度和召回率都要小。
我注意到f1总是小于精度和召回的直接调和平均值,并且在某些情况下,f1甚至比精度和召回率都小。
FYI,我叫metrics.precision_score(y,pred)
为精度等。
我意识到微观/宏观平均值的差异,并且通过使用precision_recall_fscore_support()
的类别结果测试它们不是微观的。
不确定是由于使用了宏均值还是其他一些原因?
如下更新详细结果:
N_SAMPLES次:75,n_features:250
MultinomialNB(阿尔法= 0.01,fit_prior =真)
2倍CV:
第一轮:
F1: 0.706029106029
Precision: 0.731531531532
Recall: 0.702702702703
precision recall f1-score support
0 0.44 0.67 0.53 6
1 0.80 0.50 0.62 8
2 0.78 0.78 0.78 23
avg/total 0.73 0.70 0.71 37
第二次运行:
F1: 0.787944219523
Precision: 0.841165413534
Recall: 0.815789473684
precision recall f1-score support
0 1.00 0.29 0.44 7
1 0.75 0.86 0.80 7
2 0.82 0.96 0.88 24
avg/total 0.84 0.82 0.79 38
总评:
Overall f1-score: 0.74699 (+/- 0.02)
Overall precision: 0.78635 (+/- 0.03)
Overall recall: 0.75925 (+/- 0.03)
关于微/宏平均
定义从Scholarpedia:
在多标签分类,最简单的方法计算一个 聚集门类分数是平均得分的所有 二元任务。结果得分称为宏观平均召回率,精度,F1等。另一种平均方法是首先在所有类别上总结TP,FP, TN,FN和N,然后计算上述度量中的每一个。结果得分被称为微观平均。 宏均值给每个类别赋予相同的权重,并且通常是由系统在稀有类别(大多数为 )上的性能支配的幂律分布类型。微平均给每个文档一个相同的权重,并且通常由大多数常见类别上的系统性能决定 。
它是在Github上的电流open issue,#83。
以下例子说明如何微,宏和加权(在当前Scikit学习)平均可以不同:
y = [0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 1, 1, 1, 1, 1, 1, 1, 1, 1, 2, 2, 2, 2, 2, 2]
pred = [0, 0, 0, 0, 0, 0, 0, 0, 0, 1, 1, 1, 0, 0, 0, 1, 1, 1, 1, 1, 2, 0, 1, 2, 2, 2, 2]
混淆矩阵:上述
[[9 3 0]
[3 5 1]
[1 1 4]]
Wei Pre: 0.670655270655
Wei Rec: 0.666666666667
Wei F1 : 0.666801346801
Wei F5 : 0.668625356125
Mic Pre: 0.666666666667
Mic Rec: 0.666666666667
Mic F1 : 0.666666666667
Mic F5 : 0.666666666667
Mac Pre: 0.682621082621
Mac Rec: 0.657407407407
Mac F1 : 0.669777037588
Mac F5 : 0.677424801371
F5为速记F0.5 ...
如果我们是宏观平均值,这意味着每次观测都会计算精度,召回率和F1分数,然后返回所有精度值,召回值和F1分数值的平均值。所以最终精确度和最终回忆的调和平均数绝对不会等于我已经更新结果的最终F1分数 – Antoine