模型评估指标micro avg、macro avg和weighted avg的计算方式及区别
共 1585字，需浏览 4分钟
· 2021-04-12
在机器学习和深度学习模型评估结果中，我们经常会遇到micro avg、macro avg和weighted avg。本文将会介绍这三种模型评估指标的计算方式以及它们之间的区别。
我们以sklearn.metrics.classification_report的输出结果作为展示，示例模型评估结果如下：
maro avg的中文名称为宏平均，其计算方式为每个类型的P、R的算术平均，我们以F1的macro avg为例，上述输出结果中的macro avg F1值的计算方式为：
macro avg F1 = (0.90+0.73)/2=0.815
weighted avg的计算方式与micro avg很相似，只不过weighted avg是用每一个类别样本数量在所有类别的样本总数的占比作为权重，因此weighted avg的计算方式为：
weighted avg = 0.90*1207/1756+0.73*549/1756=0.8468
micro avg的中文名称为微平均，是对数据集中的每一个示例不分类别进行统计建立全局混淆矩阵，然后计算相应的指标。在微平均评估指标中，样本数多的类别主导着样本数少的类，其计算公式如下：
其中TP为被正确地划分为正例的个数，即实际为正例且被分类器划分为正例的样本数，FP为被错误地划分为正例的个数，即实际为负例但被分类器划分为正例的样本数。
以下面的代码为例:
# -*- coding: utf-8 -*-
from sklearn.metrics import confusion_matrix, precision_score
y_true = ["A", "A", "A", "A", "B", "B", "C", "C", "C", "C", "C"]
y_pred = ["A", "B", "A", "A", "B", "A", "B", "C", "C", "C", "C"]
print(confusion_matrix(y_true, y_pred))
print(precision_score(y_true, y_pred, average='micro'))
输出的混淆矩阵和micro avg precision为：
[[3 1 0]
[1 1 0]
[0 1 4]]
0.7272727272727273
对于类别A，它的TP=3, FP=1；对于类别B，它的TP=1， FP=1；对于类别C，它的TP=4，FP=1，因此micro avg precision为：
(3+1+4)/(3+1+1+1+4+1)=0.7273
本文的目的在于简单介绍模型评估指标micro avg、macro avg和weighted avg的区别以及它们的计算方式，网上有很多文章存在错误，应该引起重视。后面有机会再详细介绍。
本文到此结束，感谢阅读~