原文：
www.kdnuggets.com/2023/01/micro-macro-weighted-averages-f1-score-clearly-explained.html
作者图片和Freepik
F1 分数（也称 F 度量）是评估分类模型性能的常用指标。
1. 谷歌网络安全证书 - 快速进入网络安全职业生涯。
2. 谷歌数据分析专业证书 - 提升你的数据分析技能
3. 谷歌 IT 支持专业证书 - 支持你的组织 IT
在多类别分类的情况下，我们采用平均方法来计算 F1 分数，从而在分类报告中得到一组不同的平均分数（宏观、加权、微观）。
本文讨论了这些平均值的含义，如何计算它们，以及选择哪个来进行报告。
注意：如果你已经对精确率、召回率和 F1 分数的概念很熟悉，可以跳过这一部分。
通俗定义： 在我做出的所有正例预测中，有多少是真正的正例？
计算： 真正例数（TP）除以真正例数（TP）和假阳性（FP）的总数。
精确率的公式 | 作者图片
通俗定义： 在所有实际的正例中，我正确预测为正例的有多少？
计算： 真正例数（TP）除以真正例数（TP）和假阴性（FN）的总数。
召回率的公式 | 作者图片
如果你比较精确率和召回率的公式，你会发现它们看起来很相似。唯一的不同是分母的第二项，对于精确率是假阳性，对于召回率是假阴性。
为了全面评估模型性能，我们应该检查精确率和召回率。F1 分数作为一个有用的指标，考虑了这两者。
定义：精确率和召回率的调和均值，用于更平衡地总结模型性能。
计算：
F1 分数的方程 | 图片由作者提供
如果我们用真正例（TP）、假正例（FP）和假负例（FN）来表示，我们会得到这个方程：
F1 分数的另一种方程 | 图片由作者提供
为了说明 F1 分数的平均概念，我们将在本教程中使用以下示例。
想象一下，我们已经在一个包含三类图像的多类数据集上训练了一个图像分类模型：飞机、船和汽车。
图片由 macrovector 提供 — freepik.com
我们使用这个模型来预测****十个测试集图像的类别。以下是原始预测：
我们的演示分类器的样本预测 | 图片由作者提供
运行sklearn.metrics.classification_report后，我们得到以下分类报告：
分类报告来自 scikit-learn 包 | 图片由作者提供
讨论的重点是带有每类分数（即每个类别的分数）和平均分数的列（橙色）。
从上面可以看出，数据集是不平衡的（十个测试集实例中只有一个是“船”）。因此，正确匹配的比例（即准确率）在评估模型性能时将无效。
相反，让我们查看混淆矩阵以全面理解模型预测。
混淆矩阵 | 图片由作者提供
上面的混淆矩阵使我们能够计算真正例（TP）、假正例（FP）和假负例（FN）的关键值，如下所示。
从混淆矩阵中计算的 TP、FP 和 FN 值 | 图片由作者提供
上表为我们计算每个三类中的每类的精确度、召回率和 F1 分数奠定了基础。
重要的是要记住，在**多类分类中，我们计算每个类别的 F1 分数，采用一对其余（OvR）**的方法，而不是像二分类那样计算一个整体的 F1 分数。
在这种OvR方法中，我们分别为每个类别确定指标，就好像每个类别都有一个不同的分类器。以下是每个类别的指标（显示了 F1 分数的计算）：
然而，与其有多个每类 F1 分数，不如平均它们以获得一个单一数字来描述总体性能。
现在，让我们讨论平均方法，这些方法导致了分类报告中的三种不同的平均 F1 分数。
宏观平均可能是所有平均方法中最简单的。
宏观平均 F1 分数（或宏观 F1 分数）是通过所有每个类别 F1 分数的算术平均（即未加权平均）计算得出的。
此方法对所有类别一视同仁，无论其支持度值如何。
宏观 F1 分数计算 | 图片来源于作者
我们计算得到的0.58与我们的分类报告中的宏观平均 F1 分数相匹配。
加权平均 F1 分数是通过计算所有类别的 F1 分数的平均值来得到的，同时考虑每个类别的支持度。
支持度指的是数据集中该类别的实际出现次数。例如，船的支持度值为 1 意味着只有一个实际标签为船的观察。
“权重”本质上是指每个类别的支持度相对于所有支持度值总和的比例。
加权 F1 分数计算 | 图片来源于作者
使用加权平均，输出的平均值将考虑到每个类别按该类别示例数加权的贡献。
计算得到的0.64与我们分类报告中的加权平均 F1 分数一致。
微观平均通过计算真实正例（TP）、假阴性（FN）和假正例（FP）的总和来计算全局平均F1 分数。
我们首先将所有类别的 TP、FP 和 FN 值相加，然后将这些值代入 F1 方程，得到我们的微观 F1 分数。
微观 F1 分数计算 | 图片来源于作者
在分类报告中，你可能会想知道为什么我们的微观 F1 分数0.60显示为“准确率”，以及为什么没有**‘微观平均’**的行。
这是因为微观平均本质上计算的是正确分类观察结果在所有观察结果中的比例。如果我们考虑这一点，这一定义就是我们用来计算整体准确率的标准。
此外，如果我们对精确率和召回率进行微观平均，我们将得到相同的0.60值。
所有微观平均指标的计算 | 作者提供的图像
这些结果意味着，在每个观察结果只有单一标签的多类别分类情况下，微观-F1、微观精确率、微观召回率和准确率共享相同的值（即，本示例中的0.60）。
这也解释了为什么分类报告只需要显示一个准确率值，因为微观-F1、微观精确率和微观召回率也有相同的值。
微观-F1 = 准确率 = 微观精确率 = 微观召回率
一般而言，如果你在处理一个类别不平衡的数据集，其中所有类别同样重要，使用宏观平均将是一个不错的选择，因为它对所有类别一视同仁。
这意味着，对于我们涉及飞机、船只和汽车分类的示例，我们将使用宏观-F1 分数。
如果你有一个不平衡的数据集，但希望对数据集中样本更多的类别赋予更大的贡献，那么加权平均是首选。
这是因为，在加权平均中，每个类别对 F1 平均值的贡献是根据其大小加权的。
假设你有一个平衡的数据集，并且希望得到一个易于理解的整体性能指标，不论类别如何，那么你可以选择准确率，这本质上是我们的微观F1 分数。
我欢迎你加入我的数据科学学习之旅！ 关注我的Medium页面，并查看我的GitHub以获取更多令人兴奋的数据科学内容。同时，祝你在解释 F1 分数时玩得愉快！
Kenneth Leung 是波士顿咨询集团（BCG）的数据科学家、技术作者和药剂师。
原文。经允许转载。