前言

• 文章来源：CSDN@LawsonAbs
• 代码详见我的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：
$$f1=\frac{2\ast recall\ast precision}{recall+precision}$$
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
$$\begin{array}{rlr}macro\_f1& =\frac{1}{N}\sum _{i=1}^N{f}_i& =\frac{1}{N}\sum _{i=1}^{N}2\ast \frac{r_i\ast p_i}{r_i+p_i}\end{array}$$
其中$r_i$ 和 $p_i$ 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：

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$r_1=1$, $f_1=\frac{2}{3}$ , $r_2=0$, $p_2=0$, $r_3=0$, $p_3=0$。 于是$macr{o}_{f1}=4/15=0.26666$。 同样计算出 $micr{o}_{f1}=2/6=0.33333$