À propos de l'option moyenne de sklearn.metrics.f1_score

Qu'est-ce que le score F1?

C'est un indice de l'équilibre entre Rappel (taux de rappel, sensibilité) et Précision (conformité, précision) indiqué par. Puisqu'il s'agit d'une moyenne harmonisée, le score sera faible si l'un ou l'autre est extrêmement faible.

Classification multi-classes

Pour simplifier, classer en 3 classes (4 classes ou plus peuvent être considérées de la même manière)

Lorsqu'il existe une matrice de confusion comme celle-ci, TP, FP et FN sont définis comme suit.

FP est la somme des éléments verticaux et FN est la somme des éléments horizontaux.

sklearn.metrics.f1_score [https://scikit-learn.org/stable/modules/generated/sklearn.metrics.f1_score.html] Si vous regardez (), vous pouvez voir les options " binaire ", "micro" , "macro" `, «« pondéré »,« échantillons »« existe. (Idem pour rappel_score et precision_score) «« binaire »» est utilisé dans la classification binaire. D'autres sont décrits ci-dessous.

"micro"

1. Calculez TP, FP, FN dans leur ensemble.

   TP	FP	FN
   45	22	22

2. Calculez avec le TP obtenu, FP.FN $f1 = \frac{2 \times TP}{2 \times TP + FP + FN} = \frac{90}{90+22+22} = 0.67164179104\dots$

"macro"

1. Calculer le rappel et la précision pour chaque classe

   classe	Recall	Precision
   a	\frac{10}{18}	\frac{10}{18}
   b	\frac{20}{27}	\frac{20}{26}
   c	\frac{15}{22}	\frac{15}{23}

2. Calculez le rappel et la précision moyens

   Recall	Precision
   \frac{1}{3}\sum{Recall}	\frac{1}{3}\sum{Precision}

3. Calculez f1 avec la moyenne calculée

   \frac{1}{\frac{1}{\frac{1}{3}\sum{Recall}} \times \frac{1}{\frac{1}{3}\sum{Precision}}}

"weighted"

1. Multipliez le nombre de données dans chaque classe par le rappel individuel, la précision

   classe	Recall	Precision
   a	\frac{10}{18} \times 18	\frac{10}{18}\times 18
   b	\frac{20}{27}\times 18	\frac{20}{26}\times 18
   c	\frac{15}{22}\times 18	\frac{15}{23}\times 18

2. Divisez la somme de Rappel et Précision par le nombre total de données

   Recall	Precision
   \frac{1}{67}\sum{Recall}	\frac{1}{67}\sum{Precision}

3. Calculez f1 avec la moyenne calculée

   \frac{1}{\frac{1}{\frac{1}{67}\sum{Recall}} \times \frac{1}{\frac{1}{67}\sum{Precision}}}

"samples" Je ne suis pas sûr, donc je l'ajouterai dès que je comprendrai.