[PYTHON] Über die durchschnittliche Option von sklearn.metrics.f1_score

Was ist f1 Punktzahl?

Es ist ein Index des Gleichgewichts zwischen Rückruf (Rückrufrate, Empfindlichkeit) und Präzision (Konformität, Genauigkeit), angegeben durch. Da es sich um einen harmonisierten Durchschnitt handelt, ist die Punktzahl niedrig, wenn einer der beiden extrem niedrig ist.

Klassifizierung mehrerer Klassen

Klassifizieren Sie zur Vereinfachung in 3 Klassen (4 oder mehr Klassen können auf die gleiche Weise berücksichtigt werden).

Wenn es eine solche Verwirrungsmatrix gibt, werden TP, FP und FN wie folgt definiert.

FP ist die Summe der vertikalen Elemente und FN ist die Summe der horizontalen Elemente.

sklearn.metrics.f1_score [https://scikit-learn.org/stable/modules/generated/sklearn.metrics.f1_score.html] Wenn Sie sich () ansehen, sehen Sie die Optionen "binär", "Mikro", "Makro", "gewichtet", "Samples" existiert. (Gleiches gilt für Recall_score und Precision_score) "binär" wird bei der binären Klassifizierung verwendet. Andere werden unten beschrieben.

"micro"

1. Berechnen Sie TP, FP, FN als Ganzes.

   TP	FP	FN
   45	22	22

2. Berechnen Sie mit dem erhaltenen TP, FP.FN. $f1 = \frac{2 \times TP}{2 \times TP + FP + FN} = \frac{90}{90+22+22} = 0.67164179104\dots$

"macro"

1. Berechnen Sie Rückruf und Präzision für jede Klasse

   Klasse	Recall	Precision
   a	\frac{10}{18}	\frac{10}{18}
   b	\frac{20}{27}	\frac{20}{26}
   c	\frac{15}{22}	\frac{15}{23}

2. Berechnen Sie den durchschnittlichen Rückruf und die Genauigkeit

   Recall	Precision
   \frac{1}{3}\sum{Recall}	\frac{1}{3}\sum{Precision}

3. Berechnen Sie f1 mit dem berechneten Durchschnitt

   \frac{1}{\frac{1}{\frac{1}{3}\sum{Recall}} \times \frac{1}{\frac{1}{3}\sum{Precision}}}

"weighted"

1. Multiplizieren Sie die Anzahl der Daten in jeder Klasse mit dem individuellen Rückruf, Präzision

   Klasse	Recall	Precision
   a	\frac{10}{18} \times 18	\frac{10}{18}\times 18
   b	\frac{20}{27}\times 18	\frac{20}{26}\times 18
   c	\frac{15}{22}\times 18	\frac{15}{23}\times 18

2. Teilen Sie die Summe aus Rückruf und Präzision durch die Gesamtzahl der Daten

   Recall	Precision
   \frac{1}{67}\sum{Recall}	\frac{1}{67}\sum{Precision}

3. Berechnen Sie f1 mit dem berechneten Durchschnitt

   \frac{1}{\frac{1}{\frac{1}{67}\sum{Recall}} \times \frac{1}{\frac{1}{67}\sum{Precision}}}

"samples" Ich bin mir nicht sicher, also werde ich es hinzufügen, sobald ich es verstehe.