F1 小于 Scikit-learn 中的精度和召回率答案

【问题标题】：F1 smaller than both precision and recall in Scikit-learnF1 小于 Scikit-learn 中的精度和召回率
【发布时间】：2012-01-07 05:45:33
【问题描述】：

我正在做多类分类，类别不平衡。

我注意到 f1 总是小于准确率和召回率的直接调和平均值，在某些情况下，f1 甚至小于准确率和召回率。

仅供参考，我打电话给metrics.precision_score(y,pred) 询问精度等等。

我知道微观/宏观平均值的差异，并使用precision_recall_fscore_support()的类别结果测试它们不是微观的。

不确定是使用了宏观平均还是其他原因？

更新详细结果如下：

n_samples：75，n_features：250

多项式NB(alpha=0.01, fit_prior=True)

2 倍简历：

第一次运行：

F1:        0.706029106029
Precision: 0.731531531532
Recall:    0.702702702703

         precision    recall  f1-score   support

      0       0.44      0.67      0.53         6
      1       0.80      0.50      0.62         8
      2       0.78      0.78      0.78        23

avg / total       0.73      0.70      0.71        37

第二次运行：

F1:        0.787944219523
Precision: 0.841165413534
Recall:    0.815789473684

         precision    recall  f1-score   support

      0       1.00      0.29      0.44         7
      1       0.75      0.86      0.80         7
      2       0.82      0.96      0.88        24

avg / total       0.84      0.82      0.79        38

总体：

Overall f1-score:   0.74699 (+/- 0.02)
Overall precision:  0.78635 (+/- 0.03)
Overall recall:     0.75925 (+/- 0.03)

来自Scholarpedia的关于微观/宏观平均的定义：

在多标签分类中，计算一个最简单的方法跨类别的总分是对所有类别的分数进行平均二进制任务。结果分数称为宏观平均召回率，精度、F1 等。另一种平均方法是对 TP、FP、首先对所有类别进行TN、FN和N，然后计算每个类别上述指标。结果分数称为微平均。宏观平均对每个类别赋予相同的权重，并且通常由系统在稀有类别（多数）在类似幂律的分布中。微平均给出了一个每个文档的权重相等，并且通常由系统的在最常见的类别上表现出色。

它是 Github 中的当前open issue，#83。

以下示例演示了微观、宏观和加权（当前在 Scikit-learn 中）平均可能有何不同：

y    = [0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 1, 1, 1, 1, 1, 1, 1, 1, 1, 2, 2, 2, 2, 2, 2]
pred = [0, 0, 0, 0, 0, 0, 0, 0, 0, 1, 1, 1, 0, 0, 0, 1, 1, 1, 1, 1, 2, 0, 1, 2, 2, 2, 2]

混淆矩阵：

[[9 3 0]
 [3 5 1]
 [1 1 4]]

Wei Pre: 0.670655270655
Wei Rec: 0.666666666667
Wei F1 : 0.666801346801
Wei F5 : 0.668625356125

Mic Pre: 0.666666666667
Mic Rec: 0.666666666667
Mic F1 : 0.666666666667
Mic F5 : 0.666666666667

Mac Pre: 0.682621082621
Mac Rec: 0.657407407407
Mac F1 : 0.669777037588
Mac F5 : 0.677424801371

上面的F5是F0.5的简写...

【问题讨论】：

如果我们是macro-averaging，意思是对每个观察值计算precision、recall和F1-score，然后计算所有precision值、recall值和F1-score的平均值返回值。所以最终准确率和最终召回率的调和平均值肯定不会等同于最终的 F1-score

标签： python machine-learning scikits scikit-learn

【解决方案1】：

您能否使用以下输出更新您的问题：

>>> from sklearn.metrics import classification_report
>>> print classification_report(y_true, y_predicted)

这将显示每个单独类别的精度和召回率以及支持，从而帮助我们了解平均的工作原理并确定这是否是适当的行为。

【讨论】：

检查了结果。似乎既没有使用微观也没有使用宏。并且在第二次运行中出现了小于精度和召回率的奇怪行为 F1，并且刚刚意识到，这也部分是由调和平均数的性质引起的，其中 Harmonic(1.00,0.29)=0.44 与我的直接直觉相反，但确实如此。但是，非微观/宏观的方法也可能是另一个原因。
实际的 scikit-learn 实现是跨类的加权平均，其中权重是支持（每个类中的样本数）。所以对我来说，这听起来像是微平均，但我还没有计算出细节，所以它可能根本不等价。如果您想使用跨类平均的 TP、FP、TN、FN 贡献微平均的真正实现，请随时发送拉取请求。
我会更仔细地研究代码并弄清楚。 :) 我对 Python 很陌生，所以，看看将来是否会发生这种情况。无论如何，我对你们在 Scikit-learn 中所做的工作非常感兴趣并高度赞赏。
发现此问题跟踪github.com/scikit-learn/scikit-learn/issues/83。我尝试了一个例子，对于 n>2，当前的计算确实既不是宏观的也不是微观的。带来的棘手行为是 f1
确实我忘记了这个问题。我的记忆不再持续超过几个月。我猜这要怪 twitter 引起的注意力障碍......所以确实请随时加紧提交微平均的拉取请求（我认为宏观平均没有那么有用，但它更容易实现）。