宏观VS微观VS加权VS样本F1

Question

在sklearn.metrics公司.f1_score，f1分数有一个名为“average”的参数。宏观、微观、加权和样本意味着什么？请详细说明，因为文件中没有正确解释。或者简单回答以下问题：

1. 为什么“samples”是多标签分类的最佳参数？在
2. 为什么micro最适合不平衡的数据集？在
3. 加权和宏观有什么区别？在

Answer 1

问题是关于^{}中average参数的含义。在

从code可以看到：

• average=micro表示通过考虑总的真阳性、假阴性和假阳性来计算f1的函数（与数据集中每个标签的预测无关）
• average=macro表示为每个标签计算f1的函数，并返回平均值，而不考虑数据集中每个标签的比例。在
• average=weighted表示为每个标签计算f1的函数，并返回考虑数据集中每个标签比例的平均值。在
• average=samples表示为每个实例计算f1的函数，并返回平均值。用于多标签分类。在