[筆記] macro, micro 與 binary 不同版本的 acc., precision, recall, fscore 計算方法

使用套件: https://scikit-learn.org/stable/modules/generated/sklearn.metrics.precision_recall_fscore_support.html

這篇舉例說明頗清楚：
https://blog.csdn.net/jmh1996/article/details/114935105

我也來舉個例子:

Notations

• gt: ground truth
• pred: predict result
• 檢測陽性，正樣本 + : label 為 1
• 檢測陰性，負樣本 - : label 為 0

看表格解釋

	d1	d2	d3	d4	d5	d6	d7	d8	d9	d10
gt	0	0	0	1	1	0	0	0	0	1
pred	0	1	0	1	0	0	0	1	0	1
對於+	TN	FP	TN	TP	FN	TN	TN	FP	TN	TP
對於-	TP	FN	TP	TN	FP	TP	TP	FN	TP	TN

統計一下
對於+ 當中 $T\mathrm{P:}2,F\mathrm{P:}2,T\mathrm{N:}5,F\mathrm{N:}1$
對於- 當中 $T\mathrm{P:}5,F\mathrm{P:}1,T\mathrm{N:}2,F\mathrm{N:}2$
可根據定義計算 precision, recall 與 F1-score:

binary avg. of precision, recall

在 sklearn.metrics 的 precision_recall_fscore_support 裡所謂的 binary average 模式
就是只看對於+(陽性樣本)的 precision, recall, fscore 值
計算出來得到

F1 值為這兩個值的加權平均，在此就不贅述

macro avg. of precision, recall

macro 就是把對於正樣本(+) 的結果與對於負樣本(-) 的結果分別算出來後，做平均
正樣本的結果已經在上一段落算完，因此我們還需要計算
對於-(陰性樣本)的precision, recall, fscore 值計算如下

接著就可以計算 macro average 版本的 precision, recall, fscroe 值計算如下

micro avg. of precision, recall

micro avg 是把上述的

• 對於 + 當中 $T\mathrm{P:}2,F\mathrm{P:}2,T\mathrm{N:}5,F\mathrm{N:}1$
• 對於 - 當中 $T\mathrm{P:}5,F\mathrm{P:}1,T\mathrm{N:}2,F\mathrm{N:}2$
  

把以上兩個分類觀點觀察到的 TP, FP, TN, FN 都做加總之後再做計算：

再根據定義計算出 micro average 版本的 precision, recall, fscore 值計算如下

報告完畢