F1 micro 和 Accuracy 一样吗？答案

【问题标题】：Is F1 micro the same as Accuracy?F1 micro 和 Accuracy 一样吗？
【发布时间】：2016-09-18 09:58:57
【问题描述】：

我在 scikit-learn 中尝试了许多 F1 micro 和 Accuracy 示例，在所有示例中，我发现 F1 micro 与 Accuracy 相同。总是这样吗？

脚本

from sklearn import svm
from sklearn import metrics
from sklearn.cross_validation import train_test_split
from sklearn.datasets import load_iris
from sklearn.metrics import f1_score, accuracy_score

# prepare dataset
iris = load_iris()
X = iris.data[:, :2]
y = iris.target
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2)

# svm classification
clf = svm.SVC(kernel='rbf', gamma=0.7, C = 1.0).fit(X_train, y_train)
y_predicted = clf.predict(X_test)

# performance
print "Classification report for %s" % clf
print metrics.classification_report(y_test, y_predicted)

print("F1 micro: %1.4f\n" % f1_score(y_test, y_predicted, average='micro'))
print("F1 macro: %1.4f\n" % f1_score(y_test, y_predicted, average='macro'))
print("F1 weighted: %1.4f\n" % f1_score(y_test, y_predicted, average='weighted'))
print("Accuracy: %1.4f" % (accuracy_score(y_test, y_predicted)))

输出

Classification report for SVC(C=1.0, cache_size=200, class_weight=None, coef0=0.0,
  decision_function_shape=None, degree=3, gamma=0.7, kernel='rbf',
  max_iter=-1, probability=False, random_state=None, shrinking=True,
  tol=0.001, verbose=False)
             precision    recall  f1-score   support

          0       1.00      0.90      0.95        10
          1       0.50      0.88      0.64         8
          2       0.86      0.50      0.63        12

avg / total       0.81      0.73      0.74        30

F1 micro: 0.7333

F1 macro: 0.7384

F1 weighted: 0.7381

Accuracy: 0.7333

F1 微 = 准确度

【问题讨论】：

标签： machine-learning scikit-learn svm

【解决方案1】：

在保证每个测试用例都被分配到一个类别的分类任务中，micro-F 相当于准确度。在多标签分类中不会这样。

【讨论】：

在对不平衡数据集进行分类时，准确率没有意义，但微 F1 也没有意义（因为它们具有相同的值）？？我在某处读到应该使用微 F1 而不是宏 F1 来处理不平衡的数据集。这一切如何吻合？
@bikashg 你是对的。 Micro F1 没有意义，原因与准确性没有意义相同。你在报纸上读过吗？可以给个链接吗？

【解决方案2】：

我有同样的问题，所以我调查并想出了这个：

仅考虑理论，不可能每个数据集的准确性和f1-score 都完全相同。原因是f1-score 独立于真阴性，而准确度则不是。

通过获取f1 = acc 的数据集并向其添加真正的否定，您将得到f1 != acc。

>>> from sklearn.metrics import accuracy_score as acc
>>> from sklearn.metrics import f1_score as f1
>>> y_pred = [0, 1, 1, 0, 1, 0]
>>> y_true = [0, 1, 1, 0, 0, 1]
>>> acc(y_true, y_pred)
0.6666666666666666
>>> f1(y_true,y_pred)
0.6666666666666666
>>> y_true = [0, 1, 1, 0, 1, 0, 0, 0, 0]
>>> y_pred = [0, 1, 1, 0, 0, 1, 0, 0, 0]
>>> acc(y_true, y_pred)
0.7777777777777778
>>> f1(y_true,y_pred)
0.6666666666666666

【讨论】：

【解决方案3】：

对于每个实例都必须分类为一个（且只有一个）类的情况，Micoaverage 精度、召回率、f1 和准确率都是相等的。一个简单的方法是查看公式精度=TP/(TP+FP) 和召回率=TP/(TP+FN)。分子相同，一个类的每个FN都是另一个类的FP，这使得分母也相同。如果精度 = 召回率，那么 f1 也将相等。

对于任何输入都应该能够表明：

from sklearn.metrics import accuracy_score as acc
from sklearn.metrics import f1_score as f1
f1(y_true,y_pred,average='micro')=acc(y_true,y_pred)

【讨论】：

【解决方案4】：

这是因为我们处理的是多类分类，每个测试数据应该只属于 1 个类而不是多标签，在没有 TN 的情况下，我们可以将 True Negatives 称为 True Positives。

公式，

校正：F1 分数是 2* 精度* 召回率 /（精度 + 召回率）

【讨论】：