F1-score中的Micro和Macro的区别

1. 混淆矩阵

对于数据预测结果有下面4种情况：TP, FP, FN, TN

其中T和F表示预测的对错，P和N表示预测的样本的正反例。

2. 准确率（precision）和召回率（recall）

准确率和召回率的公式如下,

由公式可以看出，

Precision表示的是你预测（predict）为正例的样本中你答对的比例，

Recall 则表示实际（ground truth）中正例的样本中你答对的比例。

3. F1 score

F1 score是一个权衡Precision和Recall 的指标，他表示为这两个值的调和平均。

4. Macro

当任务为多分类任务时，precision和recall的计算方式就需要权衡每一类的

对于每一类的precision和recall有：

macro的precision公式，即每一类的precision的平均，为：

macro的recall公式，即每一类的recall的平均，为：

最后macro-F1的计算公式为：

5. Micro

micro的precision公式为，

micro的recall公式为，

最后micro-F1的计算公式为

6. 分别适用场景

参考链接：https://www.zhihu.com/question/332571344/answer/1161271111

micro-F1：

• 计算方法：先计算所有类别的总的Precision和Recall，然后计算出来的F1值即为micro-F1；
• 使用场景：在计算公式中考虑到了每个类别的数量，所以适用于数据分布不平衡的情况；但同时因为考虑到数据的数量，所以在数据极度不平衡的情况下，数量较多数量的类会较大的影响到F1的值；

marco-F1：

• 计算方法：将所有类别的Precision和Recall求平均，然后计算F1值作为macro-F1；
• 使用场景：没有考虑到数据的数量，所以会平等的看待每一类（因为每一类的precision和recall都在0-1之间），会相对受高precision和高recall类的影响较大；