宏微F1

Question

我有一个二进制分类问题，由于数据不平衡，我试图计算宏/微F1。我认为这可以使用Sickitlearn完成，但是在检查了文档这里之后，似乎当分类是二进制的时候，计算将只针对正数类。正因为如此，我正试图计算我自己。首先，我使用以下函数计算TP、TN、FP、FN：

def calculate(y_actual, y_pred):
    TP = 0
    FP = 0
    TN = 0
    FN = 0

    for i in range(len(y_pred)): 
        if y_actual[i]==y_pred[i]==1:    # true positive
           TP += 1
    for i in range(len(y_pred)): 
        if y_actual[i]==1 and y_pred[i]==0:   
           FN += 1
    for i in range(len(y_pred)): 
        if y_actual[i]==y_pred[i]==0:    # true negative
           TN += 1
    for i in range(len(y_pred)): 
        if y_actual[i]==0 and y_pred[i]==1:
           FP += 1

    return(TP, FP, TN, FN)

因此，为了计算微/宏F1，我需要分别计算每个类的精确性和召回率(我不知道如何实现！)然后，作为一个例子，可以像下面这样计算F1宏(如果我正确理解它)：

F1 for class one: 2(precision*recall)/(precision+recall)
F1 for class two: 2(precision*recall)/(precision+recall)
F1 Macro = (F1 for class one + F1 for class two)/2 

可以找到计算F1Macro&Micro的参考资料这里。

那么，是否有一种方法可以分别计算每个类的这些度量(TP/TN/FP/FN &精确和召回)，给定上面的函数(计算)？任何帮助都很感激。

Answer 1

你确实可以使用科学知识-学习的常规。如果要在二进制问题上使用指定的平均值，请设置pos_label=None。然而，这些措施并不特别有用。二元或多类问题的微平均F1与普通的老精度是一致的.宏平均召回，也被称为平衡准确性，是流行的，比宏观平均F1更有用的二进制问题。