背景：

在 multi-class 分类任务中，如果使用 micro 类指标，那么 micro-precision, micro-recall和micro-F1值都是相等的。本文主要针对这个现象进行解释。

更多、更及时内容欢迎微信公众号：小窗幽记机器学习 围观。

precision, recall和F1 score的定义

true positive(TP): 真实 positive，预测 positive
False positive(FP): 真实 negative，预测 positive
false negative(FN): 真实 positive，预测 negative

Precision 计算如下：
$$ P = \frac{TP}{TP+FP} $$

精确度可以直观地理解为分类器只将真正positive样本预测为正的能力。比如，在类别平衡的测试集(50%是positive的，50%是negative的)中，一个分类器将所有样本都分类为positive，那么该分类器的精确度为0.5。如果没有假阳性(false positives)，即只将true positives 归为positives，则精确度为1.0。所以基本上，分类器给出的假阳性(false positives)越少，它的精度就越高。

Recall 计算如下：
$$ R = \frac{TP}{TP+FN} $$
召回可以理解为真正为positive测试样品的数量中实际被分类为positive的占比。如果一个分类器对每个样本都识别为positive ，而不管它是否真的是positive，那么该分类器的recall是1.0，但精度较低。

因此，精确度和召回率越高，分类器的性能就越好，因为它能检测到大部分的positive 样本(即高召回率)， 而不检测到许多不应该检测到的样本(即高精度)。为了量化这一点，可以使用另一个称为F1评分的度量指标。

F1 score 计算如下：
$$ F1 = 2 \frac{P * R}{P + R} $$

F1 score 是精确度和召回率之间的调和平均数。精度和召回率越高，F1得分越高。从该式子可以看出，如果$P=R$，那么$F1=P=R$：
$$ F1 = 2 \frac{P * R}{P + R} = 2 \frac{P * P}{P + P} = 2 \frac{P^2}{2P} = \frac{P^2}{P} = P $$

所以这解释了如果精确度和召回率是一样，F1分数和精确度和召回率是一样。那为什么在multi-class任务中使用micro平均时， recall和 precision是一样的？下面具体举个实例说明。

micro averaging的计算及其示例

在multi-class任务中计算precision 和 recall，需要知道TP, FP和FN样本的数量。假设有3个类(1,2,3)，每个样本恰好属于一个类，即multi-class任务。下表显示分类器对9个测试样本的预测以及它们的正确标签。

Label        1    2    3    2    3    3    1    2    2
Prediction    2    2    1    2    1    3    2    3    2

TP 是被预测有正确标签的样本数量。在本例中，TP = 4(均为绿色单元格)
FP 不应该获得的标签的但是获取了标签数量。例如，在第一列中应该被预测为1，但被预测为2。所以在这种情况下，类2出现一个 false positive。即，对于类别2来说，是FP。另一方面，如果预测是正确的(第2列)，则不会被统计到FP。在本例中，FP = 5(均为红色单元格)

FN 是应该被预测但没有被预测的标签数量。再看第一列，1应该被预测到，但没有。所以在这种情况下，类1有一个FN。与FP情况一样，如果预测正确，则不计算FN(第2列)。即，对于类别1来说，是FN。在本例中，FP = 5(均为红色单元格)

换句话说，如果有false positive，也总会有false negative，反之亦然，因为总是有一类被预测。如果预测了A类，真标签是B，那么对于A类别就有FP，对于B类别就有FN。如果预测是正确的，即预测了A类，A也是真标签，那么既没有false positive，也没有false negative，只有true positive。 因此不存在只增加FP或FN而不同时增加两者的可能性。即，两者一定是同时变化的，那么一起增加，要么同时不增加。这就是为什么在使用micro平均方案时precision 和 recall总是相同。
micro precision 和 micro recall 计算如下：
$$ \text{micro precision}=\frac{TP_1+TP_2+TP_3}{TP_1+FP_1+TP_2+FP_2+TP_3+FP_3} $$

$$ \text{micro recall}=\frac{TP_1+TP_2+TP_3}{TP_1+FN_1+TP_2+FN_2+TP_3+FN_3} $$
简而言之，micro precision 分子是全部的TP，分母是全部类别的TP+FP；micro recall的分母是全部类别的TP+FN。

上述实例precision, recall 和 F1 score的计算如下：
Precision $P = \frac{4}{4+5} = \frac{4}{9} = 0.4444$
Recall $R = \frac{4}{4+5} = \frac{4}{9} = 0.4444$
F1 score $F1 = 2 \frac{\frac{4}{9} * \frac{4}{9}}{\frac{4}{9} + \frac{4}{9}} = \frac{\frac{4}{9}^2}{\frac{4}{9}} = \frac{4}{9} = 0.4444$

注意：
由于micro平均不区分不同的类别，只是平均他们的度量分数，这种平均方案不容易由于测试集的不均匀分布(例如，3个类别，其中一个类别有98%的样本)而产生不准确的值。即，样本类别分布不均衡的场景，选用micro平均更适合。在不均匀分布的数据集的情况下，除了使用micro平均，也可以考虑加权平均，即weighted averaging。

macro averaging 和 weighted averaging

需要特别注意，上面的解释只适用于micro averaging(微平均)!当使用 macro averaging时，计算每个标签的指标，并找到它们的未加权平均值。所以macro averaging并没有考虑到各类标签样本的不平衡。
如果对上述micro averaging示例计算macro averaging，那么对于每个类1、2、3，分别计算精度、召回率和F1得分的值，然后取平均值，而不管它们在数据集中的出现频率如何。因此，如果两个类各只出现1%，第三个类出现98%，较大的类(类别3)总是被正确预测，但较小的类(类别1和类别2)经常出错，那么F1分数仍然会非常糟糕，而使用micro averaging or weighted averaging则会好很多。简而言之，macro averaging 给所有类别相同的权重，该方法能够平等看待每个类别，所以值会受稀有类别影响。

当使用 weighted averaging(加权平均)时， 在计算过程也会考虑各个类别出现的频率，这样F1 score 会很高(因为只有2%的样本预测主要是错误的)。这取决于你选择什么用例。如果较小的类非常重要，那么weighted averaging 可能是一个糟糕的选择，应该选择macro averaging。

macro averaging 示例

为了完整起见，这里将进一步展示使用macro averaging时如何计算精度、召回率和F1。在这种情况下，首先要分别为每一个类计算精度、召回率和F1。现在可以把每个类看作一个二进制标签(类预测是/否)。在前面micro averaging例子中(见上表)，每个类的TP, FN, FP值和计算得到的精度(P)，召回率(R)和F1得分如下:

Class 1: TP = 0 ; FN = 2 ; FP = 2 => P = 0 ; R = 0 ; F1 = 0
Class 2: TP = 3 ; FN = 1 ; FP = 2 => P = $\frac{3}{5}$ ; R = $\frac{3}{4}$ ; F1 = $\frac{2}{3}$
Class 3: TP = 1 ; FN = 2 ; FP = 1 => P = $\frac{1}{2}$ ; R = $\frac{1}{3}$ ; F1 = $\frac{2}{5}$

将全部类别联合：
TP = 4 ； FN = 5 ； FP = 5 (顺便说一下，这些值与 micro average示例中的值相同)。

最终计算结果如下：

Precision (average over all classes): (3/5 + 1/2)/3 = 0.36667
Recall (average over all classes): (3/4+1/3)/3 = 0.36111
F1 (average over all classes): (2/3+2/5)/3 = 0.35556

这些数值与micro averaging 不同，比 micro averaging 低得多。因为第1类甚至没有一个 true positive ，所以对于类别1来说精确度和召回率都很差。

使用weighted-average获取到的结果应该与micro-average的结果近似，weighted-average同样考虑样本的不均衡。

Weighted-average给不同类别不同权重(权重根据该类别的真实分布比例确定)，每个类别乘权重后再进行相加。该方法考虑了类别不平衡情况，它的值更容易受到常见类(majority class)的影响。

$$ \text{Weighted-Precision}=\text{P}_{class1} \times \text{W}_{class1} + \text{P}_{class2} \times \text{W}_{class2}+... $$
Weighted-Recall的计算同理。

代码示例

from sklearn.metrics import precision_score, recall_score, f1_score

# These values are the same as in the table above
labels      = [1,2,3,2,3,3,1,2,2]
predicitons = [2,2,1,2,1,3,2,3,2]

print("Precision (micro): %f" % precision_score(labels, predicitons, average='micro'))
print("Recall (micro):    %f" % recall_score(labels, predicitons, average='micro'))
print("F1 score (micro):  %f" % f1_score(labels, predicitons, average='micro'), end='\n\n')

print("Precision (macro): %f" % precision_score(labels, predicitons, average='macro'))
print("Recall (macro):    %f" % recall_score(labels, predicitons, average='macro'))
print("F1 score (macro):  %f" % f1_score(labels, predicitons, average='macro'), end='\n\n')

print("Precision (weighted): %f" % precision_score(labels, predicitons, average='weighted'))
print("Recall (weighted):    %f" % recall_score(labels, predicitons, average='weighted'))
print("F1 score (weighted):  %f" % f1_score(labels, predicitons, average='weighted'))

运行结果如下：

Precision (micro): 0.444444
Recall (micro):    0.444444
F1 score (micro):  0.444444

Precision (macro): 0.366667
Recall (macro):    0.361111
F1 score (macro):  0.355556

Precision (weighted): 0.433333
Recall (weighted):    0.444444
F1 score (weighted):  0.429630