Machine learning 微观与宏观与加权F1分数

我有一个不平衡的多分类数据集。 我计算了微观F1、宏观F1和加权F1。 我认为在预测不平衡数据集的总体性能时，宏是最好的。 但是，一些人说，若你们想看到整体性能，就使用Micro，而另一些人说，Micro只是在数据集不平衡的情况下才能看到

为什么在不平衡的数据集中使用Micro

何时使用微观、宏观和加权？ 换言之，这些手段是在什么情况下使用的

谢谢你的帮助。

先看看这个

数据不平衡一直是一个需要处理的大问题。下面是一个不平衡数据的二进制分类示例。整体准确度看起来不错，但当你看个人分数时，你会发现这是一个巨大的失败！对于这类数据，我总是在得出结果之前检查小班的分数。你可以考虑在这种数据中增加数据。有很好的库来处理不平衡的数据。下面是Python中的一个很好的示例

最后，Micro-avg使用个体真阳性和假阳性以及假阴性。微AVG仅仅是PRISICIO+回忆的意思，并且<强>不考虑数据中的类< /强>的比例。因此，微平均能更好地反映不平衡数据的精度

注:

以下是sklearn网站的解释：

'micro'：通过计算总的真阳性、假阴性和假阳性来全局计算指标

“宏”：计算每个标签的指标，并找到它们的未加权平均值。这不考虑标签不平衡

如果您查看宏，它会说：这不考虑标签不平衡。因此，如果数据不平衡，最好使用micro

---

宏观平均值不能更好地反映不平衡数据吗？因为，宏平均值计算F1的平均值。所以我认为宏平均显示整体性能。但我不确定。如果我错了，请告诉我。我编辑了答案。请参阅备注部分。你知道什么时候使用加权吗？

#Confusion Matrix:
 [[3808    0]
 [ 182    2]]
              precision    recall  f1-score   support

           0       0.95      1.00      0.98      3808
           1       1.00      0.01      0.02       184

    accuracy                           0.95      3992
   macro avg       0.98      0.51      0.50      3992
weighted avg       0.96      0.95      0.93      3992