我有一个二进制分类问题，在测试集中，两个类中的数据数量相等（0 类和 1 类的测试数相等）。由于我们知道每个类别的样本数量是相等的，我使用逻辑回归输出概率的中位数（类别 1 的样本概率）并将概率映射到 0 和 1，然后计算 f1-micro 和 f1-macro。但他们是绝对平等的，我不知道这是否奇怪以及为什么会发生这种情况。如果您知道发生了什么以及出了什么问题，我将不胜感激。
Micro-F1 和 Macro-F1 在二进制分类中是相等的，我不知道为什么
数据挖掘
分类
评估
二进制
2021-10-09 17:14:32
1个回答
性能指标（例如 F1 分数）的宏观和微观平均之间的区别在于，宏观对每个类的权重相同，而微观对每个样本的权重相同。如果类的分布是对称的（即每个类有相同数量的样本），那么宏观和微观将得到相同的分数。
作为二元分类问题的示例，假设我们的 F1 分数为 0.7 类 1 和 0.5 类 2。使用宏观平均，我们只需将这两个分数平均，即可得到分类器的总分 0.6，无论样本如何在两个类别之间分布，这都是相同的。
如果您使用的是微平均，那么分布是什么就很重要。假设第 1 类占数据的 80%，那么公式将是 0.7*80% + 0.5*(100%-80%)，这将等于 0.66，因为每个样本的权重相同，因此分数具有代表性的数据不平衡。如果类 1 占数据的 50%，则公式将变为 0.7*50% + 0.5*(100%-50%)，即 0.6，与宏观平均的结果相同。
如果您的数据完全平衡，那么宏观和微观平均都会得到相同的分数。如果不是，它们仍然有可能根据分数的确切分布（或者如果您的估算器对所有涉及的类具有相同的性能）得出相同的分数。
其它你可能感兴趣的问题