算法工程师面试之评测指标

雨点打透心脏的1/2处 2022-09-10 14:28 2阅读 0赞

# 前言 #

*  文章来源：CSDN@LawsonAbs
 *  代码详见[我的Github][Github]

--------------------

来，现在在脑子里回忆一下，深度学习中有哪些性能评测指标？这节就专门来分析一下评测指标。

# 1. F1值 #

F1值的计算很简单，公式是：  
 f 1 = 2 ∗ r e c a l l ∗ p r e c i s i o n r e c a l l + p r e c i s i o n f1 = \\frac\{2\*recall\*precision\}\{recall+precision\} f1=recall\+precision2∗recall∗precision  
但是有时候我们会遇到类别不均衡的问题，所以就延伸出两种具体的F1值。一种是macro\_f1，一种是micro\_f1。所谓macro\_f1 就是对权重均衡的类别F1。假设现在有N类，那么macro\_f1 的计算方式就是  
 m a c r o \_ f 1 = 1 N ∑ i = 1 N f i = 1 N ∑ i = 1 N 2 ∗ r i ∗ p i r i + p i \\begin\{aligned\} macro\\\_f1 &= \\frac\{1\}\{N\}\\sum\_\{i=1\}^\{N\}f\_i &=\\frac\{1\}\{N\}\\sum\_\{i=1\}^\{N\} 2 \* \\frac\{r\_i \* p\_i\}\{r\_i+p\_i\} \\end\{aligned\} macro\_f1=N1i=1∑Nfi=N1i=1∑N2∗ri\+piri∗pi  
其中 r i r\_i ri 和  p i p\_i pi 表示的是第i个类别的recall以及precision 值。

比如给出了一个真实标签以及预测值，怎么计算呢？sklearn 中的 `f1_score` 已经完全实现了这些功能，所以在需要实现相关功能的时候，请查阅资料，避免重复造轮子。

""" 使用macro,micro, weighted 等参数计算不同的f1_score值 """
    from sklearn.metrics import f1_score
    y_true = [0, 1, 2, 0, 1, 2]
    y_pred = [0, 2, 1, 0, 0, 1]
    
    # macro计算的是加权平均
    print(f1_score(y_true, y_pred, average='macro'))
    # micro 计算的是总体样本的平均
    print(f1_score(y_true, y_pred, average='micro'))

得到的结果如下：  
![在这里插入图片描述][0dcfadafdea44c49bf7c84ee79b2e61e.png]  
我们可以手动计算一下并与sklearn 计算的值比较一下：  
根据y\_true 的值，我们知道有三类，其中 r 1 = 1 r\_1 = 1 r1=1,  f 1 = 2 3 f\_1 = \\frac\{2\}\{3\} f1=32 ,  r 2 = 0 r\_2 = 0 r2=0,  p 2 = 0 p\_2 = 0 p2=0,  r 3 = 0 r\_3 = 0 r3=0,  p 3 = 0 p\_3 = 0 p3=0。 于是 m a c r o f 1 = 4 / 15 = 0.26666 macro\_\{f1\} = 4/15 = 0.26666 macrof1=4/15=0.26666。 同样计算出  m i c r o f 1 = 2 / 6 = 0.33333 micro\_\{f1\} = 2/6 = 0.33333 microf1=2/6=0.33333

[Github]: https://github.com/LawsonAbs/learn/blob/master/sklearn/%E4%BD%BF%E7%94%A8f1_score%E8%AE%A1%E7%AE%97macro_f1%E5%92%8Cmicro_f1%E7%9A%84%E5%80%BC.ipynb
[0dcfadafdea44c49bf7c84ee79b2e61e.png]: /images/20220829/c48a301714294d278fc5b291aa0575c9.png