我正在进行多级分类，具有不 balancer 的类别 .
我注意到f1总是小于精度和召回的直接调和平均值，在某些情况下，f1甚至小于精度和召回率 .
仅供参考，我打电话给 metrics.precision_score(y,pred) 以获得精确度等等 .
我知道微观/宏观平均值的差异，并通过使用 precision_recall_fscore_support() 的类别结果测试它们不是微观的 .
不确定这是由于使用了宏观平均值还是其他一些原因？
更新了详细结果如下：
n_samples：75，n_features：250
MultinomialNB（alpha = 0.01，fit_prior = True）
2-fold CV:
第一轮：
F1: 0.706029106029
Precision: 0.731531531532
Recall: 0.702702702703
precision recall f1-score support
0 0.44 0.67 0.53 6
1 0.80 0.50 0.62 8
2 0.78 0.78 0.78 23
avg / total 0.73 0.70 0.71 37
第二轮：
F1: 0.787944219523
Precision: 0.841165413534
Recall: 0.815789473684
precision recall f1-score support
0 1.00 0.29 0.44 7
1 0.75 0.86 0.80 7
2 0.82 0.96 0.88 24
avg / total 0.84 0.82 0.79 38
总体：
Overall f1-score: 0.74699 (+/- 0.02)
Overall precision: 0.78635 (+/- 0.03)
Overall recall: 0.75925 (+/- 0.03)
关于微观/宏观平均的定义来自Scholarpedia：
在多标签分类中，计算跨类别的总分的最简单方法是平均所有二进制任务的分数 . 得到的分数称为宏观平均召回，精确度，F1等 . 另一种平均方法是首先在所有类别上对TP，FP，TN，FN和N求和，然后计算上述每个指标 . 得出的分数称为微观平均分 . 宏观平均对每个类别赋予相同的权重，并且通常由系统在类似幂分布的稀有类别（大多数）上的表现来支配 . 微平均对每个文档赋予相同的权重，并且通常由系统在大多数常见类别上的性能决定 .
它是Github中的当前open issue，＃83 .
以下示例演示了Micro，Macro和加权（Scikit-learn中的当前）平均值可能有何不同：
y = [0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 1, 1, 1, 1, 1, 1, 1, 1, 1, 2, 2, 2, 2, 2, 2]
pred = [0, 0, 0, 0, 0, 0, 0, 0, 0, 1, 1, 1, 0, 0, 0, 1, 1, 1, 1, 1, 2, 0, 1, 2, 2, 2, 2]
混淆矩阵：
[[9 3 0]
[3 5 1]
[1 1 4]]
Wei Pre: 0.670655270655
Wei Rec: 0.666666666667
Wei F1 : 0.666801346801
Wei F5 : 0.668625356125
Mic Pre: 0.666666666667
Mic Rec: 0.666666666667
Mic F1 : 0.666666666667
Mic F5 : 0.666666666667
Mac Pre: 0.682621082621
Mac Rec: 0.657407407407
Mac F1 : 0.669777037588
Mac F5 : 0.677424801371
上面的F5是F0.5的简写...
1 回答
你可以用以下输出更新你的问题：
这将显示每个类别的精确度和召回以及支持，从而帮助我们理解平均值如何工作并决定这是否是适当的行为 .