Micro和Macro性能学习【转载】

忘是亡心i 2021-12-18 15:33 151阅读 0赞

转自：[https://datascience.stackexchange.com/questions/15989/micro-average-vs-macro-average-performance-in-a-multiclass-classification-settin][https_datascience.stackexchange.com_questions_15989_micro-average-vs-macro-average-performance-in-a-multiclass-classification-settin]

## 1.计算方式不同 ##

A macro-average will compute the metric independently for each class and then take the average (hence treating all classes equally)

宏平均会对每类独立地计算指标（精度、召回率、F1值），并且取平均，每类都会平等计算。

a micro-average will aggregate the contributions of all classes to compute the average metric.

微平均会统计所有类的分布来计算平均指标。

In a multi-class classification setup, micro-average is preferable if you suspect there might be **class imbalance** (i.e you may have many more examples of one class than of other classes).

在多分类中，如果你怀疑有类不均衡存在，使用微平均更好。

## 2.例子 ##

假设对于精度计算，![1324606-20190418152412015-1268475795.png][]，假设现有1对多分类任务，共有4类：

*  Class A: 1 TP and 1 FP
 *  Class B: 10 TP and 90 FP
 *  Class C: 1 TP and 1 FP
 *  Class D: 1 TP and 1 FP

以上为测试用的数据，可以根据上式计算得到：

![1324606-20190418152551546-1670731269.png][]

![1324606-20190418152734042-401952958.png][]

对于以上计算结果，由于A、C、D三类的精度是0.5，所以宏平均看起来得到了一个不错的精度为0.4，但是具有误导性，因为B中有一大部分并没有进行正确的分类；

在本例中，B类数据占了94.3%，很明显是存在类不平衡的，微平均能更好的反应结果。

## 3.计算方法 ##

3.1在计算中，可以先计算类平均，然后是宏平均，之后给出总的标准差：

![1324606-20190418154008160-1215022375.png][]

3.2另一种是使用加权计算的方法，权重是本类样本总数所占的比例：

![1324606-20190418154212462-966417500.png][]

3.3从以上可以看出，0.173标准差，意味着精度为0.4并不代表各类都是均匀分布的；第二种使用加权的计算方式正是微平均的本质。

转载于:https://www.cnblogs.com/BlueBlueSea/p/10730050.html

[https_datascience.stackexchange.com_questions_15989_micro-average-vs-macro-average-performance-in-a-multiclass-classification-settin]: https://datascience.stackexchange.com/questions/15989/micro-average-vs-macro-average-performance-in-a-multiclass-classification-settin
[1324606-20190418152412015-1268475795.png]: /images/20211218/95b19671545a453daf16e11973820d7e.png
[1324606-20190418152551546-1670731269.png]: /images/20211218/67d228be7ecf49bc8cb7304f70ddfbb5.png
[1324606-20190418152734042-401952958.png]: /images/20211218/ab7e9104e4ee439d9fe3b0f88b4d4645.png
[1324606-20190418154008160-1215022375.png]: /images/20211218/5a181298adcb488ebcec9ee8d19246ef.png
[1324606-20190418154212462-966417500.png]: /images/20211218/b49dd0198e724e1aba3b7f8dbf5016e1.png