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Machine learning 微观与宏观与加权F1分数,machine-learning,multiclass-classification,imbalanced-data,Machine Learning,Multiclass Classification,Imbalanced Data,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
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