多标签分类中的 F1 得分，其中一张图像中的标签数量稀疏且类之间的标签数量有偏差

【问题标题】：F1 score in a multi-label classification where the number of labels in one image is sparse and the number of labels between classes is biased多标签分类中的 F1 得分，其中一张图像中的标签数量稀疏且类之间的标签数量有偏差
【发布时间】：2020-11-09 21:20:50
【问题描述】：

我使用 scikit-learn 来衡量具有 f-score 的多标签分类，其中每个图像的标签不平衡且每个图像的标签数量很少。

我应该使用什么，为什么？ average = "micro" 或 "samples"?

【问题讨论】：

标签： scikit-learn deep-learning multilabel-classification

【解决方案1】：

无论您的数据是否有偏差，average='micro' 或 average='macro' 都被认为是更好的，因为它可以为您提供“更好”的结果。您可以参考this answer 了解为什么宏被认为是好的。

【讨论】：

这是不平衡的，不是有偏见的。我的错误。当我使用 scikit_learn 测量粗标记图像的多标签分类时，使用 f1score 每个样本的标签不平衡，我应该使用 average="micro" 还是 "samples"？
在班级比例几乎不相等的情况下，有偏见或不平衡是一样的。我建议你应该使用weighted 或macro。